MARC

 008260202s2023        xx            o                  0  eng  d
■001EBC30269312
■003MiAaPQ
■00520260202073946.0
■006m          o    d  |            
■007cr  cnu||||||||
■020    ▼a9781098118778▼q(electronic  bk.)
■020    ▼z9781098118808
■035    ▼a(MiAaPQ)EBC30269312
■035    ▼a(Au-PeEL)EBL30269312
■035    ▼a(OCoLC)1354206316
■040    ▼aMiAaPQ▼beng▼erda▼epn▼cMiAaPQ▼dMiAaPQ
■1001  ▼aKarau,  Holden.
■24510▼aScaling  Python  with  Ray
■250    ▼a1st  ed.
■264  1▼aSebastopol▼bO'Reilly  Media,  Incorporated▼c2023.
■264  4▼c?023.
■300    ▼a1  online  resource  (269  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■5050  ▼aCover  --  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.
■5058  ▼aConclusion  --  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.
■5058  ▼aConclusion  --  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.
■588    ▼aDescription  based  on  publisher  supplied  metadata  and  other  sources.
■590    ▼aElectronic  reproduction.  Ann  Arbor,  Michigan  :  ProQuest  Ebook  Central,  2026.  Available  via  World  Wide  Web.  Access  may  be  limited  to  ProQuest  Ebook  Central  affiliated  libraries.  
■655  4▼aElectronic  books.
■7001  ▼aLublinsky,  Boris.
■77608▼iPrint  version▼aKarau,  Holden▼tScaling  Python  with  Ray▼dSebastopol  :  O'Reilly  Media,  Incorporated,c2023▼z9781098118808
■7972  ▼aProQuest  (Firm)
■85640▼uhttps://ebookcentral.proquest.com/lib/baekseok-ebooks/detail.action?docID=30269312▼zClick  to  View

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서