Ray是开源分布式计算框架，简化了扩展计算密集型Python工作负载的过程。本书展示了如何使用Ray构建机器学习应用程序，介绍了Ray如何融入当前的机器学习工具，以及Ray如何与这些工具紧密集成。本书前3章介绍了Ray作为分布式Python框架的基础知识，并提供了应用示例；第4-10章介绍了Ray高级库（Ray RLlib、Ray Tune、Ray Dataset、Ray Train、Ray Serve、Ray Cluster、Ray AIR），并展示如何使用高级库创建应用程序；第11章对Ray的生态进行了总结，并指导读者继续学习。

序
前言
第1章 Ray概述
1.1 Ray是什么
1.1.1 Ray的渊源
1.1.2 Ray的设计原则
1.1.3 Ray的三层架构：内核、库、生态
1.2 分布式计算框架
1.3 数据科学库套件
1.3.1 Ray AIR和数据科学工作流
1.3.2 处理数据
1.3.3 训练模型
1.3.4 调优超参数
1.3.5 部署模型
1.4 Ray的生态
1.5 总结
第2章 Ray Core入门
2.1 Ray Core简介
2.1.1 Ray API的第一个示例
2.1.2 Ray Core API概述
2.2 理解Ray的系统组件
2.2.1 在节点上调度和执行任务
2.2.2 主节点
2.2.3 分布式调度和执行
2.3 利用Ray创建简单的MapReduce示例
2.3.1 映射和打乱文档数据
2.3.2 利用约简进行单词统计
2.4 总结
第3章 创建第一个分布式应用程序
3.1 强化学习入门
3.2 创建简易的迷宫问题
3.3 创建模拟
3.4 训练强化学习模型
3.5 创建分布式Ray应用程序
3.6 回顾强化学习术语
3.7 总结
第4章 利用Ray RLlib进行强化学习
4.1 RLlib概述
4.2 RLlib入门
4.2.1 创建Gym环境
4.2.2 运行RLlib CLI
4.2.3 使用RLlib Python API
4.3 配置RLlib实验
4.3.1 资源配置
4.3.2 配置rollout worker
4.3.3 配置环境
4.4 使用RLlib环境
4.4.1 RLlib环境概述
4.4.2 使用多智能体
4.4.3 使用策略服务器和客户端
4.5 高级概念
4.5.1 创建高级环境
4.5.2 应用课程学习
4.5.3 使用离线数据
4.5.4 其他高级主题
4.6 总结
第5章 利用Ray Tune进行超参数调优
5.1 调优超参数
5.1.1 使用Ray创建随机搜索示例
5.1.2 调优超参数的难点
5.2 Ray Tune入门
5.2.1 Tune的原理
5.2.2 配置和运行Tune
5.3 使用Tune进行机器学习
5.3.1 结合使用RLlib和Tune
5.3.2 调优Keras模型
5.4 总结
第6章 利用Ray进行数据处理
6.1 Ray Dataset
6.1.1 Ray Dataset基础
6.1.2 利用Ray Dataset进行计算
6.1.3 数据集管道
6.1.4 示例：并行训练分类器副本
6.2 外部集成库
6.3 创建ML管道
6.4 总结
第7章 利用Ray Train进行分布式训练
7.1 分布式模型训练基础
7.2 基于示例介绍Ray Train
7.2.1 预测纽约出租车的大额小费
7.2.2 加载、预处理、特征化
7.2.3 定义深度学习模型
7.2.4 示例：利用Ray Train进行分布式训练
7.2.5 分布式批量推理
7.3 Ray Train训练器
7.3.1 迁移到Ray Train
7.3.2 扩展训练器
7.3.3 利用Ray Train进行预处理
7.3.4 将训练器和Ray Tune集成
7.3.5 使用回调函数监控训练
7.4 总结
第8章 利用Ray Serve进行在线推理
8.1 在线推理的主要特点
8.1.1 ML模型属于计算密集型
8.1.2 ML模型无法独立使用
8.2 Ray Serve入门
8.2.1 Ray Serve概述
8.2.2 定义基础HTTP端点
8.2.3 扩展和资源分配
8.2.4 批处理请求
8.2.5 多模型推理图
8.3 端到端示例：创建基于NLP的API
8.3.1 获取内容和预处理
8.3.2 NLP模型
8.3.3 HTTP处理和驱动逻辑
8.3.4 整合
8.4 总结
第9章 Ray集群
9.1 手动创建Ray Cluster
9.2 在Kubernetes上进行部署
9.2.1 设置KubeRay集群
9.2.2 与KubeRay集群交互
9.2.3 公开KubeRay
9.2.4 配置KubeRay
9.2.5 配置KubeRay日志
9.3 使用Ray集群启动器
9.3.1 配置Ray集群
9.3.2 使用集群启动器CLI
9.3.3 与Ray Cluster交互
9.4 使用云集群
9.4.1 AWS
9.4.2 其他云服务
9.5 自动扩展
9.6 总结
第10章 Ray AIR入门
10.1 为什么使用AIR
10.2 AIR核心概念
10.2.1 Ray Dataset和预处理器
10.2.2 训练器
10.2.3 调优器和检查点
10.2.4 批预测器
10.2.5 部署
10.3 适合AIR的任务
10.3.1 AIR任务执行
10.3.2 AIR内存管理
10.3.3 AIR故障模型
10.3.4 自动扩展AIR任务
10.4 总结
第11章 Ray生态及其他
11.1 蓬勃的生态
11.1.1 数据加载和处理
11.1.2 模型训练
11.1.3 模型服务
11.1.4 创建自定义集成
11.1.5 Ray集成概述
11.2 Ray和其他系统
11.2.1 分布式Python框架
11.2.2 Ray AIR和更广泛的ML生态
11.2.3 将AIR集成到ML平台
11.3 继续学习
11.4 总结