本文深入探讨Ray分布式计算框架中的Remote函数调度和Actor抽象的放置。Remote函数通过@ray.remote装饰器定义，执行时由local scheduler和global scheduler协同调度，依据资源需求和任务队列长度决定执行节点。Actor抽象扩展了数据流模型，其创建和放置策略随机，但可通过指定资源实现特定位置创建。Ray允许在启动节点时定义特殊资源，从而控制Actor的放置位置。
Ray是面向增强学习场景的分布式计算框架，相关介绍参考博客。
本篇文章主要对 Ray中 remote函数的调度以及 Actor抽象的放置进行介绍。
一、Remote函数的调度
1. Remote函数的定义
Remote函数时Ray分布式计算中的核心概念，一般如下所示：
@ray.remote
def add(a, b):
return a + b
id_c = add.remote(a, b)
c = ray.get(id_c)
2. Remote函数的执行
由上不难发现，Remote函数定义与普通的Python函数定义非常相似，只是多了@ray.remote装饰器。那么它具体执行时和普通函数有什么区别呢？
Ray采取的是自下而上的分布式调度器，当提交任务到worker节点时，首先由节点的local scheduler进行调度，在本节点运行，当本地节点不能满足运行的条件时，将任务推送到global scheduler由其调度。那么Ray的local scheduler是怎样判断是否该调度到本地节点还是上推到globa
最低0.47元/天 解锁文章
扫一扫
4373
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
