Repolode
Предложить
ray-project

ray-project/ray

Ray — единый фреймворк для масштабирования приложений на Python и ИИ: от ноутбука до кластера, с распределённой средой выполнения и библиотеками для ИИ.

Открыть на GitHubСайт
Звёзды
44,087
Форки
8,174
Открытые issues
3,610
Последний коммит
11 часов назад

Что это?

Ray — распределённый вычислительный фреймворк для Python и задач ИИ. Его основная среда выполнения позволяет превращать обычные функции Python в задачи, а классы — в акторы с состоянием, работающие в кластере; объекты между ними передаются через общее хранилище.

Помимо ядра, Ray предоставляет библиотеки для типовых этапов ML-пайплайнов: Data — для масштабируемых наборов данных, Train — для распределённого обучения, Tune — для подбора гиперпараметров, RLlib — для обучения с подкреплением, Serve — для программируемого сервинга моделей. В проект также входят дашборд для мониторинга приложений и кластеров и распределённый отладчик.

Ray работает на одной машине, в кластере, у крупных облачных провайдеров и в Kubernetes. Установка выполняется через pip, а один и тот же код можно перенести с ноутбука на более крупный кластер, не меняя структуру приложения.

Ключевые возможности

  • 01Превращает функции и классы Python в распределённые задачи и акторы с состоянием.
  • 02Предоставляет библиотеки Data, Train, Tune, RLlib и Serve для разных этапов ML-пайплайнов.
  • 03Включает Ray Dashboard для мониторинга приложений и кластеров.
  • 04Предоставляет распределённый отладчик для приложений на Ray.
  • 05Работает на ноутбуках, в кластерах, крупных облачных средах и Kubernetes.

Сценарии использования

  • Масштабирование задачи обработки данных или ML на Python за пределы одной машины.
  • Распределённое обучение или поиск гиперпараметров на множестве воркеров.
  • Сервинг моделей машинного обучения или LLM через масштабируемую конечную точку.
  • Запуск экспериментов с обучением с подкреплением в кластере.

Быстрый старт

  1. 1

    Установите Ray с помощью pip

    pip install ray

Темы

#distributed#machine-learning#python#distributed-training#model-serving#hyperparameter-tuning#reinforcement-learning#llm-inference#data-science#deep-learning

Частые вопросы

Что такое ray?
Ray — единый фреймворк для масштабирования приложений на Python и ИИ: от ноутбука до кластера, с распределённой средой выполнения и библиотеками для ИИ. Ray — распределённый вычислительный фреймворк для Python и задач ИИ. Его основная среда выполнения позволяет превращать обычные функции Python в задачи, а классы — в акторы с состоянием, работающие в кластере; объекты между ними передаются через общее хранилище.
ray можно использовать бесплатно? Какая у него лицензия?
ray распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
ray всё ещё поддерживается?
Активно поддерживается. Последний коммит в ray — 20 окт. 2026 г..
Для чего можно использовать ray?
Масштабирование задачи обработки данных или ML на Python за пределы одной машины. Распределённое обучение или поиск гиперпараметров на множестве воркеров. Сервинг моделей машинного обучения или LLM через масштабируемую конечную точку. Запуск экспериментов с обучением с подкреплением в кластере.
Как установить ray?
Установите Ray с помощью pip: pip install ray
Где скачать ray?
Исходный код и инструкции по установке — на GitHub: https://github.com/ray-project/ray

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты