共计 5365 个字符，预计需要花费 14 分钟才能阅读完成。
起源：官网博客
翻译：PyTorch 开发者社区（微信公众号）
明天的机器学习须要分布式计算。无论是训练网络、调整超参数、服务模型还是解决数据，机器学习都是计算密集型的，如果没有拜访集群，速度会十分慢。
Ray 是一个风行的分布式 Python 框架，它能够与 PyTorch 配对，以疾速扩大机器学习利用。
本篇文章介绍 Ray 生态系统的各种元素，以及如何与 PyTorch 搭配应用!
Ray 是什么？
Ray 是一个并行和分布式 Python 的开源库。
从高层次上看，Ray 生态系统由三局部组成：外围 Ray 零碎、用于机器学习的可扩大库（包含原生库和第三方库），以及用于在任何集群或云提供商上启动集群的工具。
Ray 的外围零碎
Ray 能够用来在多个外围或机器上扩大 Python 利用。它有几个次要的长处，包含：
简略性：你能够扩大你的 Python 利用，而不须要重写，同样的代码能够在一台机器或多台机器上运行。
稳健性：应用程序能够优雅地解决机器故障和过程抢占。
性能：工作以毫秒级的提早运行，可扩大到数万个内核，并以最小的序列化开销解决数值数据。
Ray 的 library 生态
因为 Ray 是一个通用框架，社区在它的根底上建设了许多库和框架来实现不同的工作。
这些库和框架绝大多数都反对 PyTorch，只需对代码进行最小水平的批改，并能互相无缝集成。以下是生态系统中泛滥库中的一部分。
RaySGD
图注：在 p3dn.24xlarge 实例上，PyTorch 的 DataParallel 与 Ray 的比拟（Ray 在上面应用
PyTorch 的分布式 DataParallel）。
RaySGD 是一个为数据并行训练提供分布式训练包装的库。例如，RaySGD TorchTrainer（https://docs.ray.io/en/master…）是一个围绕 torch.distributed.launch 的包装器。它提供了一个 Python API，能够轻松地将分布式训练纳入到一个更大的 Python 应用程序中，而不是须要将你的训练代码包装在 bash 脚本中。
该库的其余一些长处是：
易用性：您能够扩大 PyTorch 的原生 DistributedDataParallel，而无需监控单个节点。
可扩展性：您能够对 PyTorch 的原生分布式数据并行进行扩大，而无需监控单个节点。您能够向上和向下扩大。从单个 CPU 开始。只需更改两行代码，即可扩大到多节点、多 CPU 或多 GPU 集群。
减速训练：NVIDIA Apex 内置了对混合精度训练的反对。
容错性能：反对在云机被抢占时主动复原。
兼容性：反对与其余库无缝集成，如：NVIDIA Apex。可与其余库无缝集成，如 Ray Tune 和 Ray Serve。
你能够通过装置 Ray（pip install -U ray torch）并运行上面的代码，来开始应用 TorchTrainer：
import torch
from torch.utils.data import DataLoader
from torchvision.datasets import CIFAR10
import torchvision.transforms as transforms
import ray
from ray.util.sgd.torch import TorchTrainer
# https://github.com/kuangliu/pytorch-cifar/blob/master/models/resnet.py
from ray.util.sgd.torch.resnet import ResNet18
def cifar_creator(config):
"""Returns dataloaders to be used in `train` and `validate`."""
tfms = transforms.Compose([transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465),
(0.2023, 0.1994, 0.2010)),
]) # meanstd transformation
train_loader = DataLoader(CIFAR10(root="~/data", download=True, transform=tfms), batch_size=config["batch"])
validation_loader = DataLoader(CIFAR10(root="~/data", download=True, transform=tfms), batch_size=config["batch"])
return train_loader, validation_loader
def optimizer_creator(model, config):
"""Returns an optimizer (or multiple)"""
return torch.optim.SGD(model.parameters(), lr=config["lr"])
ray.init()
trainer = TorchTrainer(
model_creator=ResNet18, # A function that returns a nn.Module
data_creator=cifar_creator, # A function that returns dataloaders
optimizer_creator=optimizer_creator, # A function that returns an optimizer
loss_creator=torch.nn.CrossEntropyLoss, # A loss function
config={"lr": 0.01, "batch": 64}, # parameters
num_workers=2, # amount of parallelism
use_gpu=torch.cuda.is_available(),
use_tqdm=True)
stats = trainer.train()
print(trainer.validate())
torch.save(trainer.state_dict(), "checkpoint.pt")
trainer.shutdown()
print("success!")正文：该脚本将下载 CIFAR10 并应用 ResNet18 模型进行图像分类。只需更改一个参数（num_workers=N），就能够利用多个 GPU。
Ray Tune
图注：Ray Tune 实现的优化算法，如基于群体的训练（如上图所示），能够与 PyTorch 一起应用，以取得更高性能的模型。
Ray Tune 是一个 Python 库，用于任何规模的试验执行和超参数调整，该库的一些长处是：
- 可能在不到 10 行代码中启动多节点分布式超参数扫描。
- 反对包含 PyTorch 在内的所有支流机器学习框架。
- 对 GPU 的一流反对。
- 主动治理检查点并将日志记录到 TensorBoard。
- 拜访最先进的算法，如基于群体的训练（PBT）、BayesOptSearch、HyperBand/ASHA。
你能够通过装置 Ray（pip install ray torch torchvision）并运行上面的代码，来开始应用 Ray Tune。
import numpy as np
import torch
import torch.optim as optim
from ray import tune
from ray.tune.examples.mnist_pytorch import get_data_loaders, train, test
import ray
import sys
if len(sys.argv) > 1:
ray.init(redis_address=sys.argv[1])
import torch.nn as nn
import torch.nn.functional as F
class ConvNet(nn.Module):
def __init__(self):
super(ConvNet, self).__init__()
self.conv1 = nn.Conv2d(1, 3, kernel_size=3)
self.fc = nn.Linear(192, 10)
def forward(self, x):
x = F.relu(F.max_pool2d(self.conv1(x), 3))
x = x.view(-1, 192)
x = self.fc(x)
return F.log_softmax(x, dim=1)
def train_mnist(config):
model = ConvNet()
train_loader, test_loader = get_data_loaders()
optimizer = optim.SGD(model.parameters(), lr=config["lr"], momentum=config["momentum"])
for i in range(10):
train(model, optimizer, train_loader, torch.device("cpu"))
acc = test(model, test_loader, torch.device("cpu"))
tune.track.log(mean_accuracy=acc)
if i % 5 == 0:
# This saves the model to the trial directory
torch.save(model.state_dict(), "./model.pth")
from ray.tune.schedulers import ASHAScheduler
search_space = {"lr": tune.choice([0.001, 0.01, 0.1]),
"momentum": tune.uniform(0.1, 0.9)
}
analysis = tune.run(
train_mnist,
num_samples=30,
scheduler=ASHAScheduler(metric="mean_accuracy", mode="max", grace_period=1),
config=search_space)正文：该脚本向你展现了如何利用最先进的晚期进行算法 AHSA，它能够终止那些不太有前途的试验，并将更多的工夫和资源分配给更有前途的试验。
Ray Serve
图注：Ray Serve 不仅能够用来独自为模型服务，还能够用来扩大其余服务工具，比方 FastAPI。
Ray Serve 是一个易于应用的可扩大模型服务的库。该库的一些长处是：
可能应用一个工具包来服务从深度学习模型（PyTorch，TensorFlow 等）到 scikit-learn 模型，再到任意的 Python 业务逻辑。
可扩大到许多机器，无论是在你的数据中心还是在云端。
与许多其余库兼容，如 Ray Tune 和 FastAPI。
如果您想理解如何将 Ray Serve 和 Ray Tune 一起整合到您的 PyTorch 工作流中，您应该查看文档以获取残缺的代码示例。
RLlib
图注：RLlib 提供了简直所有训练方面的定制办法，包含神经网络模型、动作散布、策略定义、环境和样本收集过程。
RLlib 提供了简直所有训练方面的定制办法，包含神经网络模型、动作散布、策略定义、环境和样本收集过程。
RLlib 是一个用于强化学习的库，它既提供了高扩展性，又为各种利用提供了对立的 API，劣势包含：
- 原生反对 PyTorch、TensorFlow Eager 和 TensorFlow（1.x 和 2.x）。
- 反对无模型、基于模型、进化、布局和多代理算法。
- 通过简略的配置标记和主动封装器反对简单的模型类型，如注意力网和 LSTM 堆栈。
- 与 Ray Tune 等其余库的兼容性。
Cluster Launcher
图注：Ray Cluster Launcher 简化了在任何集群或云提供商上启动和扩大的过程。
一旦您在笔记本电脑上开发了一个应用程序，并心愿将其扩大到云端（兴许有更多的数据或更多的 GPU），接下来的步骤并不总是很分明。这个过程要么让基础设施团队为你设置，要么通过以下步骤:
- 抉择一个云提供商（AWS、GCP 或 Azure）。
- 导航治理控制台，设置实例类型、安全策略、节点、实例限度等。
- 弄清楚如何在集群上散发你的 Python 脚本。
一个更简略的办法是应用 Ray Cluster Launcher 在任何集群或云提供商上启动和扩大机器。Cluster Launcher 容许你主动缩放、同步文件、提交脚本、端口转发等。这意味着您能够在 Kubernetes、AWS、GCP、Azure 或公有集群上运行您的 Ray 集群，而无需理解集群治理的低级细节。
## 总结
图注：Ray 为蚂蚁金服团体的 Fusion Engine 提供了一个分布式计算根底。
本文蕴含了 Ray 在 PyTorch 生态系统中的一些益处。Ray 被宽泛用于各种利用，从蚂蚁金服团体应用 Ray 反对其金融业务，到 LinkedIn 在 Yarn 上运行 Ray，再到 Pathmind 应用 Ray 将强化学习与模仿软件连接起来，等等。
如果你有任何对于 Ray 的问题或想法，或者想理解更多对于并行和分布式 Python 的信息，请通过 Discourse、Slack 或 GitHub 退出我的项目的社区。
