前言
面对计算密集型的任务，除了多进程，就是分布式计算，如何用 Python 实现分布式计算呢？今天分享一个很简单的方法，那就是借助于 Ray。
什么是 Ray
Ray 是基于 Python 的分布式计算框架，采用动态图计算模型，提供简单、通用的 API 来创建分布式应用。使用起来很方便，你可以通过装饰器的方式，仅需修改极少的的代码，让原本运行在单机的 Python 代码轻松实现分布式计算，目前多用于机器学习。
Ray 的特色：
1、提供用于构建和运行分布式应用程序的简单原语。 2、使用户能够并行化单机代码，代码更改很少甚至为零。 3、Ray Core 包括一个由应用程序、库和工具组成的大型生态系统，以支持复杂的应用程序。比如 Tune、RLlib、RaySGD、Serve、Datasets、Workflows。
安装 Ray
最简单的安装官方版本的方式：
pip?install?-U?ray pip?install?'ray[default]'
如果是 Windows 系统，要求必须安装 Visual C++ runtime
使用 Ray
一个装饰器就搞定分布式计算：
import?ray ray.init() @ray.remote def?f(x): ????return?x?*?x futures?=?[f.remote(i)?for?i?in?range(4)] print(ray.get(futures))?#?[0,?1,?4,?9]
先执行 ray.init() ，然后在要执行分布式任务的函数前加一个装饰器 @ray.remote 就实现了分布式计算。装饰器 @ray.remote 也可以装饰一个类：
import?ray ray.init() @ray.remote class?Counter(object): ????def?__init__(self): ????????self.n?=?0 ????def?increment(self): ????????self.n?+=?1 ????def?read(self): ????????return?self.n counters?=?[Counter.remote()?for?i?in?range(4)] tmp1?=?[c.increment.remote()?for?c?in?counters] tmp2?=?[c.increment.remote()?for?c?in?counters] tmp3?=?[c.increment.remote()?for?c?in?counters] futures?=?[c.read.remote()?for?c?in?counters] print(ray.get(futures))?#?[3,?3,?3,?3]
当然了，上述的分布式计算依然是在自己的电脑上进行的，只不过是以分布式的形式。 程序执行的过程中 ，你可以输入 http://127.0.0.1:8265/#/ 查看分布式任务的执行情况：
那么如何实现 Ray 集群计算呢？接着往下看。
使用 Ray 集群
Ray 的优势之一是能够在同一程序中利用多台机器。当然，Ray 可以在一台机器上运行，因为通常情况下，你只有一台机器。但真正的力量是在一组机器上使用 Ray。
Ray 集群由一个头节点和一组工作节点组成。需要先启动头节点，给 worker 节点赋予头节点地址，组成集群：
你可以使用 Ray Cluster Launcher 来配置机器并启动多节点 Ray 集群。你可以在 AWS、GCP、Azure、Kubernetes、阿里云、内部部署和 Staroid 上甚至在你的自定义节点提供商上使用集群启动器。
Ray 集群还可以利用 Ray Autoscaler，它允许 Ray 与云提供商交互，以根据规范和应用程序工作负载请求或发布实例。
现在，我们来快速演示下 Ray 集群的功能，这里是用 Docker 来启动两个 Ubuntu 容器来模拟集群：
环境 1: 172.17.0.2 作为 head 节点 环境 2: 172.17.0.3 作为 worker 节点，可以有多个 worker 节点具体步骤：
1. 下载 ubuntu 镜像
docker?pull?ubuntu
2. 启动 ubuntu 容器，安装依赖
启动第一个
docker?run?-it?--name?ubuntu-01?ubuntu?bash
启动第二个
docker?run?-it?--name?ubuntu-02?ubuntu?bash
检查下它们的 IP 地址：
$?docker?inspect?-f?"{{?.NetworkSettings.IPAddress?}}"?ubuntu-01
172.17.0.2
$?docker?inspect?-f?"{{?.NetworkSettings.IPAddress?}}"?ubuntu-02
172.17.0.3
然后分别在容器内部安装 python、pip、ray
apt?update?&&?apt?install?python3? apt?install?python3-pip pip3?install?ray
3. 启动 head 节点和 worker 节点
选择在其中一个容器作为 head 节点，这里选择 172.17.0.2，执行：
ray?start?--head?--node-ip-address?172.17.0.2
默认端口是 6379，你可以使用 --port 参数来修改默认端口， 启动后的结果如下：
忽略掉警告，可以看到给出了一个提示，如果要把其他节点绑定到该 head，可以这样：
ray?start?--address='172.17.0.2:6379'?--redis-password='5241590000000000'
在另一个节点执行上述命令，即可启动 worker 节点：
如果要关闭，执行：
ray?stop
4、执行任务
随便选择一个节点，执行下面的脚本，修改下 ray.init() 函数的参数：
from?collections?import?Counter
import?socket
import?time
import?ray
ray.init(address='172.17.0.2:6379',?_redis_password='5241590000000000')
print('''This?cluster?consists?o????f
????{}?nodes?in?total
????{}?CPU?resources?in?total
'''.format(len(ray.nodes()),?ray.cluster_resources()['CPU']))
@ray.remote
def?f():
????time.sleep(0.001)
????#?Return?IP?address.
????return?socket.gethostbyname(socket.gethostname())
object_ids?=?[f.remote()?for?_?in?range(10000)]
ip_addresses?=?ray.get(object_ids)
print('Tasks?executed')
for?ip_address,?num_tasks?in?Counter(ip_addresses).items():
????print('????{}?tasks?on?{}'.format(num_tasks,?ip_address))
执行结果如下：
可以看到 172.17.0.2 执行了 4751 个任务，172.17.0.3 执行了 5249 个任务，实现了分布式计算的效果。
总结
有了 Ray，你可以不使用 Python 的多进程就可以实现并行计算。今天的机器学习主要就是计算密集型任务，不借助分布式计算速度会非常慢，Ray 提供了简单实现分布式计算的解决方案。
到此这篇关于利用Python 实现分布式计算的文章就介绍到这了,更多相关Python 分布式计算内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
查看更多关于利用Python 实现分布式计算的详细内容...