دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Holden Karau. Boris Lublinsky
سری:
ISBN (شابک) : 1098118804, 9781098118808
ناشر: O’Reilly Media
سال نشر: 2023
تعداد صفحات: 269
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Scaling Python with Ray: Adventures in Cloud and Serverless Patterns به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مقیاس گذاری پایتون با ری: ماجراجویی در الگوهای ابری و بدون سرور نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
محاسبات بدون سرور به توسعه دهندگان این امکان را می دهد تا به جای نگرانی در مورد جایی که در آن مستقر شده اند، تنها بر برنامه های خود تمرکز کنند. با پیادهسازی بدون سرور همه منظوره Ray در پایتون، برنامهنویسان و دانشمندان داده میتوانند سرورها را مخفی کنند، برنامههای کاربردی را پیادهسازی کنند، از ارتباط مستقیم بین وظایف پشتیبانی کنند و به شتابدهندههای سختافزاری دسترسی داشته باشند. در این کتاب، هولدن کارائو و بوریس لوبلینسکی، متخصصان باتجربه معماری نرمافزار به شما نشان میدهند که چگونه برنامهها و خطوط لوله موجود پایتون را مقیاسبندی کنید، و به شما امکان میدهد در اکوسیستم پایتون بمانید و در عین حال نقاط شکست و زمانبندی دستی را کاهش دهید. Scaling Python with Ray برای معماران نرم افزار و توسعه دهندگانی که مشتاق هستند مطالعات موردی موفق را بررسی کنند و درباره اثربخشی تصمیم گیری و اندازه گیری بیشتر بیاموزند، ایده آل است. اگر پردازش داده یا برنامه سرور شما فراتر از توانایی یک کامپیوتر واحد رشد کرده است، این کتاب برای شما مناسب است. شما پردازش توزیع شده (پیاده سازی خالص پایتون بدون سرور) را بررسی خواهید کرد و یاد خواهید گرفت که چگونه: • برنامه های stateful را با بازیگران Ray پیاده سازی کنید • مدیریت گردش کار را در Ray بسازید • از Ray به عنوان یک سیستم یکپارچه برای پردازش دسته ای و جریانی استفاده کنید • پردازش داده های پیشرفته را با Ray اعمال کنید • ساخت میکروسرویس با Ray • برنامه های قابل اعتماد Ray را پیاده سازی کنید
Serverless computing enables developers to concentrate solely on their applications rather than worry about where they've been deployed. With the Ray general-purpose serverless implementation in Python, programmers and data scientists can hide servers, implement stateful applications, support direct communication between tasks, and access hardware accelerators. In this book, experienced software architecture practitioners Holden Karau and Boris Lublinsky show you how to scale existing Python applications and pipelines, allowing you to stay in the Python ecosystem while reducing single points of failure and manual scheduling. Scaling Python with Ray is ideal for software architects and developers eager to explore successful case studies and learn more about decision and measurement effectiveness. If your data processing or server application has grown beyond what a single computer can handle, this book is for you. You'll explore distributed processing (the pure Python implementation of serverless) and learn how to: • Implement stateful applications with Ray actors • Build workflow management in Ray • Use Ray as a unified system for batch and stream processing • Apply advanced data processing with Ray • Build microservices with Ray • Implement reliable Ray applications
Cover Copyright Table of Contents Foreword Preface What You Will Learn A Note on Responsibility Conventions Used in This Book License Using Code Examples O’Reilly Online Learning How to Contact Us Acknowledgments From Holden From Boris Chapter 1. What Is Ray, and Where Does It Fit? Why Do You Need Ray? Where Can You Run Ray? Running Your Code with Ray Where Does It Fit in the Ecosystem? Big Data / Scalable DataFrames Machine Learning Workflow Scheduling Streaming Interactive What Ray Is Not Conclusion Chapter 2. Getting Started with Ray (Locally) Installation Installing for x86 and M1 ARM Installing (from Source) for ARM Hello Worlds Ray Remote (Task/Futures) Hello World Data Hello World Actor Hello World Conclusion Chapter 3. Remote Functions Essentials of Ray Remote Functions Composition of Remote Ray Functions Ray Remote Best Practices Bringing It Together with an Example Conclusion Chapter 4. Remote Actors Understanding the Actor Model Creating a Basic Ray Remote Actor Implementing the Actor’s Persistence Scaling Ray Remote Actors Ray Remote Actors Best Practices Conclusion Chapter 5. Ray Design Details Fault Tolerance Ray Objects Serialization/Pickling cloudpickle Apache Arrow Resources / Vertical Scaling Autoscaler Placement Groups: Organizing Your Tasks and Actors Namespaces Managing Dependencies with Runtime Environments Deploying Ray Applications with the Ray Job API Conclusion Chapter 6. Implementing Streaming Applications Apache Kafka Basic Kafka Concepts Kafka APIs Using Kafka with Ray Scaling Our Implementation Building Stream-Processing Applications with Ray Key-Based Approach Key-Independent Approach Going Beyond Kafka Conclusion Chapter 7. Implementing Microservices Understanding Microservice Architecture in Ray Deployment Additional Deployment Capabilities Deployment Composition Using Ray Serve for Model Serving Simple Model Service Example Considerations for Model-Serving Implementations Speculative Model Serving Using the Ray Microservice Framework Conclusion Chapter 8. Ray Workflows What Is Ray Workflows? How Is It Different from Other Solutions? Ray Workflows Features What Are the Main Features? Workflow Primitives Working with Basic Workflow Concepts Workflows, Steps, and Objects Dynamic Workflows Virtual Actors Workflows in Real Life Building Workflows Managing Workflows Building a Dynamic Workflow Building Workflows with Conditional Steps Handling Exceptions Handling Durability Guarantees Extending Dynamic Workflows with Virtual Actors Integrating Workflows with Other Ray Primitives Triggering Workflows (Connecting to Events) Working with Workflow Metadata Conclusion Chapter 9. Advanced Data with Ray Creating and Saving Ray Datasets Using Ray Datasets with Different Tools Using Tools on Ray Datasets pandas-like DataFrames with Dask Indexing Shuffles Embarrassingly Parallel Operations Working with Multiple DataFrames What Does Not Work What’s Slower Handling Recursive Algorithms What Other Functions Are Different pandas-like DataFrames with Modin Big Data with Spark Working with Local Tools Using Built-in Ray Dataset Operations Implementing Ray Datasets Conclusion Chapter 10. How Ray Powers Machine Learning Using scikit-learn with Ray Using Boosting Algorithms with Ray Using XGBoost Using LightGBM Using PyTorch with Ray Reinforcement Learning with Ray Hyperparameter Tuning with Ray Conclusion Chapter 11. Using GPUs and Accelerators with Ray What Are GPUs Good At? The Building Blocks Higher-Level Libraries Acquiring and Releasing GPU and Accelerator Resources Ray’s ML Libraries Autoscaler with GPUs and Accelerators CPU Fallback as a Design Pattern Other (Non-GPU) Accelerators Conclusion Chapter 12. Ray in the Enterprise Ray Dependency Security Issues Interacting with the Existing Tools Using Ray with CI/CD Tools Authentication with Ray Multitenancy on Ray Credentials for Data Sources Permanent Versus Ephemeral Clusters Ephemeral Clusters Permanent Clusters Monitoring Instrumenting Your Code with Ray Metrics Wrapping Custom Programs with Ray Conclusion Appendix A. Space Beaver Case Study: Actors, Kubernetes, and More High-Level Design Implementation Outbound Mail Client Shared Actor Patterns and Utilities Mail Server Actor Satellite Actor User Actor SMS Actor and Serve Implementation Testing Deployment Conclusion Appendix B. Installing and Deploying Ray Installing Ray Locally Using Ray Docker Images Using Ray Clusters Installing Ray on AWS Installing Ray on IBM Cloud Installing Ray on Kubernetes Installing Ray on a kind Cluster Using ray up Using the Ray Kubernetes Operator Installing Ray on OpenShift Conclusion Appendix C. Debugging with Ray General Debugging Tips with Ray Serialization Errors Local Debugging with Ray Local Remote Debugging Ray’s Integrated Debugger (via Pdb) Other Tools Ray and Container Exit Codes Ray Logs Container Errors Native Errors Conclusion Index About the Authors Colophon