Ray：把 Python 代码从单机扩到集群的统一框架

ray-project/ray 在 GitHub 上拿到了 42,844 个 Star。

这个项目做一件事：让你的 Python 代码不用改架构，就能从笔记本跑进集群。模型训练、超参调优、强化学习、模型部署服务，一套框架全包。

1、 Ray 解决什么问题

搞机器学习的人都知道，模型本身不是瓶颈，算力才是。

单机能跑的代码，数据量一上去就不够用了。传统做法是自己搭分布式基础设施：写调度逻辑、管节点通信、处理容错。光这些工程活就能耗掉几周时间，而且每个项目都要重来一遍。

Ray 的思路是把分布式计算做成基础设施层。你写的还是普通 Python 函数和类，Ray 在底层帮你把任务分配到多台机器上执行。不用改代码逻辑，不用学新的编程范式。

2、 核心能力

Ray 分两层：底层是分布式运行时，上层是一组 AI 库。

底层提供了三个核心抽象：

• Tasks：无状态函数，扔到集群里执行
• Actors：有状态的 Worker 进程，在集群里创建和管理
• Objects：不可变的共享数据，集群内任意节点都能访问

上层的 AI 库覆盖了机器学习的完整流程：

• Ray Data：可扩展的数据集，处理大规模训练数据
• Ray Train：分布式训练，多卡多机并行
• Ray Tune：超参数搜索，自动调优
• RLlib：强化学习框架，支持各种算法
• Ray Serve：模型服务部署，带流量管理和弹性伸缩

3、 安装和使用

安装就一行：

pip install ray

写代码也不复杂。用 Ray 加速一个 Python 函数，只需要加个装饰器：

import ray

@ray.remote
def heavy_computation(x):
    return x * x

futures = [heavy_computation.remote(i) for i in range(10)]
results = ray.get(futures)

原本在单机跑的函数，加了 @ray.remote 就变成了分布式任务。Ray 自动处理任务分发、结果收集和错误重试。

Ray 还提供了 Dashboard，通过浏览器监控集群状态、任务执行情况和资源使用率。调试工具支持分布式环境下的断点调试。

4、 适合谁用

• 在做深度学习训练、需要多卡多机并行的算法工程师
• 搭建过 ML Pipeline、被分布式基础设施折磨过的平台工程师
• 需要把模型部署上线、要求低延迟高吞吐的推理团队
• 想用强化学习做实验的研究人员

Ray 跑在本地、Kubernetes、各大云平台上都行。不需要绑定特定基础设施，这也是它能拿到四万多 Star 的原因之一。

Ray 跑在本地、Kubernetes、各大云平台上都行。不需要绑定特定基础设施，这也是它能拿到四万多 Star 的原因之一。