Ray - Un système pour des applications Python distribuées et haute performance

Aperçu

Explore Ray, an open-source framework for scaling Python applications from laptops to clusters, focusing on ML/AI performance challenges and its key features for distributed computing.

Programme

• Introduction à Ray
Aperçu de Ray
Principaux avantages de l'utilisation de Ray pour le calcul distribué
Comparaison avec d'autres frameworks de calcul distribué
• Mise en place de Ray
Installation et configuration
Exécution de Ray localement sur un ordinateur portable
Configuration de Ray pour les clusters
• Concepts de base de Ray
Architecture de Ray
Tâches et acteurs dans Ray
Gestion des objets Ray et des magasins d'objets
• Calcul distribué avec Ray
Planification et exécution des tâches
Combinaison des tâches et des acteurs
Gestion des contraintes de ressources et des dépendances
• Mise à l'échelle des applications d'apprentissage machine
Utilisation de Ray avec des frameworks ML populaires (TensorFlow, PyTorch)
Optimisation des hyperparamètres avec Ray Tune
Traitement distribué des données avec Ray Datasets
• Fonctionnalités avancées de Ray
Tolérance aux pannes et récupération d'erreurs de Ray
Surveillance et débogage des applications Ray
Ray Serve pour le déploiement évolutif de modèles
• Applications réelles et cas d'utilisation
Études de cas de l'utilisation de Ray dans l'industrie
Meilleures pratiques pour déployer Ray en production
• Écosystème et outils Ray
Aperçu des bibliothèques Ray (RLLib, Ray Tune, Ray Serve, etc.)
Choisir le bon outil Ray pour votre application
• Projets pratiques
Création d'une application distribuée avec Ray
Mise à l'échelle d'un modèle d'apprentissage machine avec Ray
Optimisation des performances et ajustement avec Ray
• Conclusion et avenir de Ray
Tendances émergentes dans le calcul distribué
Développements futurs de Ray
Ressources pour approfondir l'apprentissage
• Session finale de questions-réponses et clôture

---

Matières

Conference Talks