192.168.2.165 worker节点(内存限制，本地安装只有一个CPU)
192.168.2.220 head节点(内存限制，本地安装只有一个CPU)
安装 python3
yum install python3
Ray学习文档地址：
https://ray.readthedocs.io/en/latest/index.html
github地址：
https://github.com/ray-project/ray
Ray是用于构建和运行分布式应用程序的快速，简单的框架。
Ray与以下库打包在一起，以加快机器学习的工作量：
Tune：可伸缩超参数调整
RLlib：可扩展的强化学习
Distributed Training ：分布式培训
普通的执行方式是这样的:
Ray：
该图片引用来自参考文献1：
pip3 install ray
手动在head节点上启动：
firewall-cmd --add-port=6379/tcp
ray start --head --redis-port=6379
在这个节点上启动Ray。您可以通过调用向集群添加其他节点：
（Started Ray on this node. You can add additional nodes to the cluster by calling）
ray start --redis-address 192.168.2.220:6379
您可以通过运行Python将一个驱动程序连接到集群
（from the node you wish to add. You can connect a driver to the cluster from Python by running
）
import ray
ray.init(redis_address="192.168.2.220:6379")
如果从不同的机器连接有问题，请检查防火墙的配置是否正确。如果希望终止已启动的进程，请运行
（If you have trouble connecting from a different machine, check that your firewall is configured properly. If you wish to terminate the processes that have been started, run
）
ray stop
注意：这里的ip 192.168.2.220 是步骤1中head节点的ip
firewall-cmd --add-port=6379/tcp
ray start --redis-address 192.168.2.220:6379
日志存放目录：
/tmp/ray
# -*- coding: utf-8 -*-
import time
import ray
ray.init(redis_address="192.168.2.220:6379")
def f1():
time.sleep(1)
@ray.remote
def f2():
time.sleep(1)
#以下需要十秒。
time1=time.time()
[ f1() for _ in range(50)]
print(time.time()-time1)
#以下需要一秒(假设系统至少有10个CPU)。
time2=time.time()
ray.get([ f2.remote() for _ in range(50)])
print(time.time()-time2)
https://blog.csdn.net/luanpeng825485697/article/details/88242020