在上一章，我们粗略的介绍了 Ray 框架的组件和一些基本功能。在本章，我会用几个简单的Demo来对 Ray 的功能和使用方法有一个初步的认识，我们以几个基本的例子来说明 Ray 框架的简单用法。
1. 将 Python的原生函数变成分布式计算
import ray
ray.init(address="local") # 可以省略address参数
@ray.remote
def squre(x):
return x * x
futures = [squre.remote(i) for i in range(4)]
print(ray.get(futures))
#output: [0, 1, 4, 9]我们只需要在原始的 Python 函数上使用一个 @ray.remote 装饰器，即可让其支持分布式计算，即声明一个remote function，这个是 Ray 的基本任务调度单元，它在定义后会被序列化，赋予唯一标识符等元信息，并存储在 GCS 中，这样整个集群都能看到这个函数的定义了。
同样，我们也可以使用这个装饰器修饰一个类，实际上这是声明了一个 Actor 类：
@ray.remote
class Counter:
def __init__(self):
self.count = 0
def increment(self):
self.count += 1
def get_count(self):
return self.count
counter = Counter.remote()
counter.increment.remote()
counter.increment.remote()
print(ray.get(counter.get_count.remote()))
# output: 2在一个Actor类上调用remote方法后，Ray 会在一个远端的 worker process上异步的创建一个类实例，并返回一个ActorHandle对象，可以将其看做是客户端对远端 Actor 对象的一个代理（proxy)，它允许你后续通过这个代理来调用 Actor对象的方法。
而当我们在一个具体的方法上调用 remote 方法时，Ray 就会将这个任务提交到任务队列中，并由可用的 worker 开始异步执行。实际上其返回的只是一个ObjectRef，并不是最终的结果，它类似异步编程中的 future。
当我们调用 ray.get() 方法时，它会阻塞当前程序的执行，直到 ObjectRef 所引用的那个远端计算完成，并将其结果获取到调用该方法的进程中，如果已经可用，该方法会立即返回。
当然，我们也可以同时组合 Task 和 Actor 一起使用：
counter = Counter.remote()
counter.increment.remote()
counter.increment.remote()
counter.increment.remote()
output1 = counter.get_count.remote() # 3
output2 = squre.remote(output1) # 9
print(ray.get(output2))2. 资源管理
在云原生的环境中，资源的需求根据配置文件定制的，而 Ray 给我们提供了强大的无感知资源分配和调度能力，用户只需要在 @ray.remote() 装饰器中传入需要的资源即可，其不仅仅支持 CPU、GPU 和 Memory，还能传入自定义资源。在 Ray 的调度中，所有资源都是逻辑资源而不是具体的物理资源，Ray 会根据 Task/Actor 的资源需求来进行调度，但并不会限制其对资源的真实使用，资源值可以为小数，且没有资源隔离。
我们可以举一个简单的例子进行说明，比如我们现在有一个节点，节点上有 16 核 CPU，那么，假设我们 @ray.remote(num_cpus=2)，调度器会自行计算出可以起 8 个 Task/Actor，此时，每个 Task/Actor 都是一个独立的进程，Ray 并不会去管这个进程里面要开多少线程/用到少核，完全由你实现的代码决定。
Ray 允许把一个核拆成若干份，用小数来表达更细的配合，如@ray.remote(num_cpus=0.5)。在调度层面上就能在同一台机器上编排更多的任务，但他仍然不会做隔离，拿到 0.5 个核的进程，运行时还是一个完整进程，照样能用满一个核，只是调度器是乐观的，认为其并不会超过节点容量。典型用途是 I/O-bound 任务或轻量级函数，用更小的 CPU 配额塞满调度器，减少排队时间。GPU也是同理，所以我们必须自己确保多进程的资源抢占问题。
@ray.remote(num_cpus=64, num_gpus=8)
def train_model(config):
pass
@ray.remote(num_cpus=16, num_gpus=2)
def evaluate_model(model):
pass同样，Ray 实现了更灵活的环境指定，我们可以在某些需要特别定制环境的位置进行指定，实现环境的隔离，Ray 集群会在创建这个 Task/Actor 之前去准备该环境，然后将该 Task/Actor调度到该环境执行。
@ray.remote(runtime_env={"env":
{"CUDA_VISIBLE_DEVICES": "0,1,2,3,4,5,6,7",
"CONDA_PREFIX": "/home/xxx/anaconda3/envs/pytorch"}})
def train_model(config):
pass定制环境的粒度，以 Python 为例，有如下几个维度，一个是 Process 级别的隔离，第二个是 Virtual Env 级别的隔离，第三是 Conda 级别的隔离，第四是 Container 级别的隔离，隔离性依次增强，用户体验轻量级依次降低。
3. Ray Dataset
Ray 支持高效的 Dataset处理，我们在一台 64核CPU的服务器上进行测试，下面我们生成一个简单的数据集，并对其进行 map 和 filter操作：
items = [{"name": str(i), "data": i} for i in range(10000)]
ds = ray.data.from_items(items)
ds.show(3)
"""
{'name': '0', 'data': 0}
{'name': '1', 'data': 1}
{'name': '2', 'data': 2}
"""
squares = ds.map(lambda x: {"squared": x["data"] ** 2})
evens = squares.filter(lambda row: row["squared"] % 2 == 0)
print(evens.count()) # 5000我们创建了一个大小为 10000 的简单数据集，每条数据以字典的形式存在，使用 ray.data.from_items 方法进行读取，得到一个 ds 对象，使用 show 方法可以查看数据的前 n 条。
接下来，我们对其分别做map操作（计算每个数据的平方并添加新的字段），以及过滤出所有平方为偶数的数据样本。
我们也可以使用链式调用合并上述操作：
even = (
ds
.map(lambda x: {"squared": x["data"] ** 2})
.filter(lambda row: row["squared"] % 2 == 0)
)
print(even.count())我们再举一个鸢尾花数据集的处理例子，我们可以从从网上下载到iris.csv格式的数据集，假设我们需要为这个数据集增加一个鸢尾花的面积字段，下面是整个处理的流程：
from typing import Dict
import numpy as np
import ray
import os
ray.init()
#读取数据集，支持磁盘文件，python对象以及云存储，比如s3等数据源
ds = ray.data.read_csv("./iris.csv")
# 定义数据处理函数
def compute_area(batch: Dict[str, np.ndarray]) -> Dict[str, np.ndarray]:
length = batch["petal.length"]
width = batch["petal.width"]
batch["petal.area"] = length * width
return batch
# 执行处理函数，得到处理后的数据对象
transformed_ds = ds.map_batches(compute_area)
# 打印处理后的数据
for batch in transformed_ds.iter_batches(batch_size=32):
print(batch)
# 存储数据，如果需要用local前缀，需要写出绝对路径，支持多种格式的输出
transformed_ds.write_json("iris/")
# transformed_ds.write_parquet("local:///home/staff/jiayining/SFT/iris/")上面我们就完成了一个完整的数据处理流程，其中，map_batches可以完成高效的分布式数据处理任务。
执行完之后，我们发现 iris 目录下面，为什么会出现 128 个输出呢？ iris 数据集本身就只有150条数据而已，这个是因为，Ray 有其默认的分块数量和阈值，我们可以通过以下方法打印查看：
from ray.data import DataContext
ctx = DataContext.get_current()
# 输出块数量的起始值
print("read_op_min_num_blocks =", ctx.read_op_min_num_blocks)
# 最小块阈值（字节）
print("target_min_block_size =", ctx.target_min_block_size)
# 最大块阈值（字节）
print("target_max_block_size =", ctx.target_max_block_size) 我们会发现默认值：
read_op_min_num_blocks = 200
target_min_block_size = 1048576 # 1MB
target_max_block_size = 134217728 # 128MB那似乎也不对，不是应该会被分成 200 个 block 吗？
实际上，它使用的四步启发式规则来确定最终的 block数，随后反推每块大约占用多少字节数：
- 先取 200（或用户自己指定的值）
- 如果
总大小 / 块数 < target_min_block_size，就合并块，把块数减到ceil(总大小 / target_min_block_size) - 如果
总大小 / 块数 > target_max_block_size，就继续拆分块，把块数增到ceil(总大小 / target_max_block_size) - 保证块数 ≥ 2 * CPU 个数，防止CPU空闲。
因为我们在 64 核 CPU 的服务器上运行，根据这些规则，所以最终输出了 128 个 json 文件。
我们有多种方法来解决这个问题，首先，我们可以在初始化时指定 CPU 个数来解决：
ray.init(num_cpus=2)我们也可以通过在读取数据集的时候指定分块数来解决：
ds = ray.data.read_csv("./iris.csv", override_num_blocks=4)我们也可以通过在存储前合并分区来解决：
transformed_ds = ds.map_batches(compute_area).repartition(4)最后，我们也可以通过制定写入时的 min_rows_per_file参数来解决：
transformed_ds.write_json("iris/", min_rows_per_file=200)- 方法一：是对整个 Ray 应用的全局资源限制，影响所有阶段。通常不作为精细控制数据处理并行度或输出文件数的首选。
- 方法二：影响读取并行度和初始数据分块。对于控制初始并行度有效，但要注意其对单文件读取可能产生的额外开销。
- 方法三：重量级的全量 shuffle 操作。能精确控制后续操作的并行度和数据块数量，但代价高昂，尤其对于大规模数据。
- 方法四：写入时聚合，用于控制输出文件大小，避免小文件问题。开销远小于
repartition，因为它不执行全局 shuffle。
通常，我们会使用这些策略：
- 让
ray.init()自动检测或设置为机器的实际核心数以充分利用资源。 - 根据数据源的特性和大小，合理设置
override_num_blocks或者让 Ray 自动推断。 - 在需要改变并行度或数据分布以优化某些计算密集型操作（如 join 或 group by）时，才谨慎使用
repartition。 - 在写入数据时，使用
min_rows_per_file或类似的参数（如 Parquet 的row_group_size_bytes）来控制输出文件的大小和数量，以优化存储和后续查询性能。
总结
本章内容介绍了 Ray 的常用方法，以及 Ray Dataset的使用方法，在下一章中，我们会使用 Ray Dataset 、Pytorch 和 Ray Tune 在鸢尾花数据集上训练一个简单的多分类神经网络。
写的好 会写就多写点