幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

Ray分散式機器學習(利用Ray進行大模型的數據處理訓練推理和部署)

  • 作者：(德)馬克斯·普佩拉//(美)愛德華·奧克斯//理查德·廖|責編:王春華|譯者:沈沖
  • 出版社：機械工業
  • ISBN：9787111753384
  • 出版日期：2024/05/01
  • 裝幀：平裝
  • 頁數：237
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    Ray是開源分散式計算框架，簡化了擴展計算密集型Python工作負載的過程。本書展示了如何使用Ray構建機器學習應用程序，介紹了Ray如何融入當前的機器學習工具，以及Ray如何與這些工具緊密集成。本書前3章介紹了Ray作為分散式Python框架的基礎知識，並提供了應用示例；第4-10章介紹了Ray高級庫（Ray RLlib、Ray Tune、Ray Dataset、Ray Train、Ray Serve、Ray Cluster、Ray AIR），並展示如何使用高級庫創建應用程序；第11章對Ray的生態進行了總結，並指導讀者繼續學習。
作者介紹
(德)馬克斯·普佩拉//(美)愛德華·奧克斯//理查德·廖|責編:王春華|譯者:沈沖
目錄
序
前言
第1章  Ray概述
  1.1  Ray是什麼
    1.1.1  Ray的淵源
    1.1.2  Ray的設計原則
    1.1.3  Ray的三層架構：內核、庫、生態
  1.2  分散式計算框架
  1.3  數據科學庫套件
    1.3.1  Ray AIR和數據科學工作流
    1.3.2  處理數據
    1.3.3  訓練模型
    1.3.4  調優超參數
    1.3.5  部署模型
  1.4  Ray的生態
  1.5  總結
第2章  Ray Core入門
  2.1  Ray Core簡介
    2.1.1  Ray API的第一個示例
    2.1.2  Ray Core API概述
  2.2  理解Ray的系統組件
    2.2.1  在節點上調度和執行任務
    2.2.2  主節點
    2.2.3  分散式調度和執行
  2.3  利用Ray創建簡單的MapReduce示例
    2.3.1  映射和打亂文檔數據
    2.3.2  利用約簡進行單詞統計
  2.4  總結
第3章  創建第一個分散式應用程序
  3.1  強化學習入門
  3.2  創建簡易的迷宮問題
  3.3  創建模擬
  3.4  訓練強化學習模型
  3.5  創建分散式Ray應用程序
  3.6  回顧強化學習術語
  3.7  總結
第4章  利用Ray RLlib進行強化學習
  4.1  RLlib概述
  4.2  RLlib入門
    4.2.1  創建Gym環境
    4.2.2  運行RLlib CLI
    4.2.3  使用RLlib Python API
  4.3  配置RLlib實驗
    4.3.1  資源配置
    4.3.2  配置rollout worker
    4.3.3  配置環境
  4.4  使用RLlib環境
    4.4.1  RLlib環境概述
    4.4.2  使用多智能體
    4.4.3  使用策略伺服器和客戶端

  4.5  高級概念
    4.5.1  創建高級環境
    4.5.2  應用課程學習
    4.5.3  使用離線數據
    4.5.4  其他高級主題
  4.6  總結
第5章  利用Ray Tune進行超參數調優
  5.1  調優超參數
    5.1.1  使用Ray創建隨機搜索示例
    5.1.2  調優超參數的難點
  5.2  Ray Tune入門
    5.2.1  Tune的原理
    5.2.2  配置和運行Tune
  5.3  使用Tune進行機器學習
    5.3.1  結合使用RLlib和Tune
    5.3.2  調優Keras模型
  5.4  總結
第6章  利用Ray進行數據處理
  6.1  Ray Dataset
    6.1.1  Ray Dataset基礎
    6.1.2  利用Ray Dataset進行計算
    6.1.3  數據集管道
    6.1.4  示例：並行訓練分類器副本
  6.2  外部集成庫
  6.3  創建ML管道
  6.4  總結
第7章  利用Ray Train進行分散式訓練
  7.1  分散式模型訓練基礎
  7.2  基於示例介紹Ray Train
    7.2.1  預測紐約計程車的大額小費
    7.2.2  載入、預處理、特徵化
    7.2.3  定義深度學習模型
    7.2.4  示例：利用Ray Train進行分散式訓練
    7.2.5  分散式批量推理
  7.3  Ray Train訓練器
    7.3.1  遷移到Ray Train
    7.3.2  擴展訓練器
    7.3.3  利用Ray Train進行預處理
    7.3.4  將訓練器和Ray Tune集成
    7.3.5  使用回調函數監控訓練
  7.4  總結
第8章  利用Ray Serve進行在線推理
  8.1  在線推理的主要特點
    8.1.1  ML模型屬於計算密集型
    8.1.2  ML模型無法獨立使用
  8.2  Ray Serve入門
    8.2.1  Ray Serve概述
    8.2.2  定義基礎HTTP端點
    8.2.3  擴展和資源分配
    8.2.4  批處理請求

    8.2.5  多模型推理圖
  8.3  端到端示例：創建基於NLP的API
    8.3.1  獲取內容和預處理
    8.3.2  NLP模型
    8.3.3  HTTP處理和驅動邏輯
    8.3.4  整合
  8.4  總結
第9章  Ray集群
  9.1  手動創建Ray Cluster
  9.2  在Kubernetes上進行部署
    9.2.1  設置KubeRay集群
    9.2.2  與KubeRay集群交互
    9.2.3  公開KubeRay
    9.2.4  配置KubeRay
    9.2.5  配置KubeRay日誌
  9.3  使用Ray集群啟動器
    9.3.1  配置Ray集群
    9.3.2  使用集群啟動器CLI
    9.3.3  與Ray Cluster交互
  9.4  使用雲集群
    9.4.1  AWS
    9.4.2  其他雲服務
  9.5  自動擴展
  9.6  總結
第10章  Ray AIR入門
  10.1  為什麼使用AIR
  10.2  AIR核心概念
    10.2.1  Ray Dataset和預處理器
    10.2.2  訓練器
    10.2.3  調優器和檢查點
    10.2.4  批預測器
    10.2.5  部署
  10.3  適合AIR的任務
    10.3.1  AIR任務執行
    10.3.2  AIR內存管理
    10.3.3  AIR故障模型
    10.3.4  自動擴展AIR任務
  10.4  總結
第11章  Ray生態及其他
  11.1  蓬勃的生態
    11.1.1  數據載入和處理
    11.1.2  模型訓練
    11.1.3  模型服務
    11.1.4  創建自定義集成
    11.1.5  Ray集成概述
  11.2  Ray和其他系統
    11.2.1  分散式Python框架
    11.2.2  Ray AIR和更廣泛的ML生態
    11.2.3  將AIR集成到ML平台
  11.3  繼續學習

  11.4  總結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032