1.5 总结
图1.4概述了Ray的三个层级。Ray的核心分布式执行引擎位于框架中心。Ray Core API是一个多功能的分布式计算库，而Ray Cluster支持多种方式部署计算任务。
对于实际的数据科学工作流，可以使用Ray Dataset进行数据处理，使用Ray RLlib进行强化学习，然后使用Ray Train进行分布式模型训练，接着使用Ray Tune进行超参数调优，最后使用Ray Serve进行模型部署。本章展示了每个库的示例，读者对它们的API有了一定的了解。Ray AIR为所有其他Ray ML库提供了统一的API，并都是根据数据科学家的需求构建的。
除此之外，Ray的生态还有许多扩展、集成和后端，稍后将详细介绍。
图1.4：Ray的三层架构
[1] “Python为主”是指Ray的所有高级库都是用Python编写的，并且新功能的开发是由Python社区的需求驱动的。同时，Ray支持多种编程语言，例如提供了Java API。因此，Ray以后也可能会支持其他对数据科学生态重要的语言。
[2] 长期以来，摩尔定律得到了事实的验证，但现在可能有迹象表明它正在减缓。一些人甚至说它已经失效了。我们不在书中争论这些观点。重要的不是计算机会变得越来越快，而是计算量变得越来越大。
[3] 从基本方法到复杂方法，有很多途径可以加速ML训练。例如，第6章将详细介绍分布式数据处理，第7章将介绍分布式模型训练。
[4] Ray背后的公司Anyscale（https://www.anyscale.com）正在构建Ray的托管平台，可以为Ray应用程序提供托管解决方案。
[5] 这听起来可能很严重，但并不是玩笑。举个例子，2021年3月，一家为数百万网站提供支持的法国数据中心完全被烧毁（https://oreil.ly/Nl9_o）。如果整个集群都烧毁了，Ray也是无能为力的。
[6] 这是一本Python图书，因此专注于Python，但Ray还具有Java API。不过，相比于Python版本，当前Java API成熟度较低。
[7] 之所以许多库建立在Ray Core之上，是因为Ray Core非常精简和直观。本书的目标之一是让用户利用Ray编写自己的应用，甚至编写库。
[8] 在本书中，我们通常只在需要时介绍依赖项，这样学习起来更容易。相反，GitHub上的notebook（https://oreil.ly/j9ccz）是一次性安装所有依赖项，这样就可以专注于运行代码而不是安装依赖项。
[9] 写作本书时，Python 3.10尚不支持Ray，因此需要使用3.7～3.9之间的Python版本。
[10] 还有其他与Ray集群交互的方式，例如Ray Jobs CLI（https://oreil.ly/XXnlW）。
[11] 我们向来不喜欢将数据科学归类为数学、编程和商业的交叉学科，因为这样无法指明数据科学家具体从事什么工作。
[12] 关于这个主题，建议阅读保罗·格雷厄姆（Paul Graham）的《黑客与画家》（Hackers and Painters）一书，并将“计算机科学”替换为“数据科学”。
[13] 关于创建机器学习应用的完整介绍，可参考Emmanuel Ameisen的Building Machine LearningPowered Applications一书（O'Reilly出版社）。
[14] 第6章将介绍Ray Dataset的基本原理，包括它对Arrow的使用。现在重点关注其API和具体的使用方法。
[15] 后面章节会进行详细介绍，特别是第6章，但请注意，Ray Dataset并不是通用的数据处理库。对于大规模数据处理，诸如Spark之类的工具具有更成熟和优化的支持。
[16] 如果你使用的是Mac，则需要安装tensorflow-macos。一般而言，如果在系统上安装Ray或其依赖项时遇到任何问题，则可以参考安装指南（https://docs.ray.io/en/latest/ray-overview/installation.html）。
[17] 根据所使用的操作系统，你可能需要先安装Rust编译器才能使其正常工作。例如，在Mac上，可以使用brew install rust进行安装。
[18] Spark是伯克利大学的另一个实验室——AMPLab创建的，互联网上有很多博客文章宣称应该将Ray作为Spark的替代品。不过，最好是将二者视为具有不同优势的工具，这两种工具都很可能长期共存。
[19] 在深度学习框架Keras（https://keras.io）成为TensorFlow的正式组成部分之前，Keras最初是一个方便的API规范，用于各种低级框架，如Theano或CNTK。从这个意义上说，Ray RLlib有机会成为“用于强化学习的Keras”，而Ray Tune可能是“用于超参数调优的Keras”。如果想将Ray RLlib和Ray Tune更广泛地用于机器学习，需要采用更优雅的API设计。