ray

夫唯不争，故无尤也

分布式训练全栈地图目录结论：先建立这张“分布式训练全栈地图”一、Layer 1：你真实拥有的东西其实是 GPU、内存和互联

天涯明月1993

Ray 架构解析——以动态任务图统一 AI 计算的分布式框架一次关于 Ray 分布式计算框架的架构梳理与工程取舍分析：从编程模型讲到系统分层、调度与容错，再延伸到架在 Ray Core 之上的上层生态。全文配有多张 Mermaid 示意图（架构图、时序图、决策流程图、ER 图等），可在支持 Mermaid 的 Markdown 渲染器中直接查看。

天涯明月1993

ray深度研究报告一份关于 Ray 分布式计算框架的架构梳理与工程取舍分析。内容覆盖编程模型、系统分层、调度与内存机制、容错设计，以及围绕 Ray Core 构建的上层生态。文中示意图使用 Mermaid 绘制（架构图、数据流图、调度决策图、容错流程图、ER 关系图等），可直接在支持 Mermaid 的 Markdown 渲染器中查看。

我不介意孤独

Ray + LanceDB + Daft 构建大规模向量数据分析管道在大模型时代，向量数据的规模正在爆炸式增长。一个典型的图文检索系统可能需要管理数十亿条 Embedding 向量，同时还要支持高效的过滤、聚合和相似度检索。传统方案要么用 Milvus/Qdrant 等专用向量数据库但缺乏灵活的分析能力，要么用 Spark 做分析但向量检索性能差。本文介绍一套新兴的技术栈：Ray + LanceDB + Daft，兼顾大规模分布式计算与高性能向量存储分析。

大模型分布式推理：Ray 与 vLLM/Transformers 的协同架构深度解析官方资源导航：启动阶段的资源编排：当执行 vllm serve 命令并指定 --distributed-executor-backend ray 时，系统触发以下初始化流程。

【计算】Ray框架介绍，AI基础设施之“通用”分布式计算（跨场景，门槛低，大规模生产，单机-＞集群-＞推理一站式）【计算】Ray框架介绍，AI基础设施之“通用”分布式计算（跨场景，门槛低，大规模生产，单机->集群->推理一站式）

Mac下安装ray的保姆级教程pyenv是一个多python版本管理的工具，为了后续切换其他Python方便，我们通过pyenv安装python

分布式AI框架选型困局：SintolRTOS vs Ray vs Horovod，性能压测全解析2022年，某头部互联网大厂自动驾驶部门启动多智能体强化学习项目，目标训练100辆虚拟无人车的协同决策模型。团队基于TensorFlow 2.0与Horovod搭建分布式环境，投入32张A100 GPU。初期测试显示，单机8卡吞吐量为12,000样本/秒，但扩展至32卡时，吞吐量仅提升至18,000样本/秒，扩展效率低至37.5%。更致命的是，智能体间频繁出现决策时序错乱，导致训练策略崩溃。

浅谈目前主流的LLM软件技术栈：Kubernetes + Ray + PyTorch + vLLM 的协同架构近年来，随着大语言模型（LLM）、多模态模型和生成式 AI 技术的快速演进，AI 工程体系正经历从“单点模型”向“端到端智能系统”的深刻转型。这一转型不仅带来了算法层面的突破，更对底层软件基础设施提出了前所未有的挑战：如何在保障高吞吐、低延迟的同时，支持快速迭代、弹性伸缩与多租户共享？如何让算法工程师专注于模型创新，而无需深陷资源调度与运维泥潭？

解锁 Ray 在 Kubernetes 上的弹性伸缩：打造高效、稳定的分布式作业Ray 的核心魅力在于它的分布式任务调度和 Actor 模型，适合处理动态负载的机器学习训练、推理或大数据处理任务。然而，云上 Kubernetes 环境中的资源管理是个复杂命题：节点资源有限，负载波动频繁，手动调整集群规模显然不现实。Autoscaling 就像给 Ray 装了个智能油门，能根据任务需求动态调整资源，既省钱又高效。

docker搭建ray集群启动 Docker 服务：验证 Docker 是否安装成功：

大数据新视界 --大数据大厂之 Ray：分布式机器学习框架的崛起💖💖💖亲爱的朋友们，热烈欢迎你们来到青云交的博客！能与你们在此邂逅，我满心欢喜，深感无比荣幸。在这个瞬息万变的时代，我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而我的博客，正是这样一个温暖美好的所在。在这里，你们不仅能够收获既富有趣味又极为实用的内容知识，还可以毫无拘束地畅所欲言，尽情分享自己独特的见解。我真诚地期待着你们的到来，愿我们能在这片小小的天地里共同成长，共同进步。💖💖💖

代码不会写

分布式领域计算模型及Spark&Ray实现对比目录一、分布式计算领域概览二、Spark计算模型分析三、Ray计算模型分析3.1 需求分析3.2 系统设计

rviz是如何获取图像里选择的点云的3D坐标的以前以为rviz是用OpenGL渲染绘图，那么获取图像里像素点对应的真实3D坐标是采用的OpenGL里提供的API实现的，结果一看代码还真不是这样，rviz也就渲染用了OpenGL，其他都是自己实现的，图像界面的实现完全是遵循MVC设计模式自己实现的透视投影和坐标转换等所有相关类。获取点云图像里所选择的点云点的3D坐标相关的代码是这里：

我是有底线的