初窥Ray框架_ray和tensorflow是什么意思

本文首发于：行者AI

随着各行各业数字化的不断推进，AI需要处理的数据越来越多，单一服务器已经难以满足当前产业的发展需求，服务器集群成为企业用AI处理数据的标配硬件，而分布式计算成为人工智能应用的标配软件。

从图1可以看出，现今有很多开源的分布式计算框架，从模型的训练、调参到部署；从NLP、CV到RS；这些框架覆盖到了AI产业生命周期的各个方面。本文就选取其中的Ray框架进行简单的介绍。

Ray 是伯克利大学在2017年开源的分布式计算框架，对应的论文是《Ray: A Distributed Framework for Emerging AI Applications》。强化学习任务需要与环境进行大量的交互（毫秒级），且在时间上支持异构性。该框架专门为机器学习与强化学习设计，相较于其他框架，ray具有以下优势：

• 轻量级
• 可快速构建
• 通用性强
• 性能优异

下面就这四个优点为大家进行详细介绍。

1. Ray框架的优势

1.1 轻量级

相较于传统的分布式框架（尤其是hadoop、spark等），Ray可以直接通过pip进行安装，且对系统版本无要求。

pip install -U ray
1

Ray是一个简单的分布式策略，而非完整的生态，因而不需要复杂的构建。

另一方面，轻量而优秀的框架往往可以作为企业数据处理的基础框架，企业不断在该框架的基础上增加生态，从而形成企业独有的应用生态。

1.2 可快速构建

如hadoop等传统框架，要对原有的单机程序进行分布式化，需要修改整个代码逻辑，以MapReduce的编程方案重构各个计算模块，这使得hadoop等传统框架有着良好的可编辑性，算法工程师可以根据业务需求进行详细的修改。强大的可编辑性也带来了学习成本高，代码重构困难等诸多问题。人工智能日新月异，模型在不断更迭，敏捷开发成为了很多AI企业的开发模式，AI应用的复杂构建会大大影响整个项目的推进。

如下代码，将一个简单的单机程序函数，转换为Ray分布式的函数，只是在原有函数的基础上加入了ray.remote的装饰器，便完成了分布式化的工作。

### 原始单机代码
def f(x):
    return x * x

futures = [f.remote(i) for i in range(4)]
print(ray.get(futures))

### Ray分布式代码
import ray
ray.init()
@ray.
1
2
3
4
5
6
7
8
9
10