Ray的资源控制非常细粒度，你可以控制某个函数function的资源使用，控制力非常的强。

集群资源

集群资源大致可以分为4类，cpu，gpu，内存和自定义资源：

• num_cpus(int) - CPU数量，默认为系统CPU核数。
• num_gpus(int) - GPU数量，默认为系统GPU数量。
• object_store_memory(bytes) - 对象存储可以使用的内存大小。
• resources(json) - 自定义资源设置。

resources参数允许用户自定义一种资源名字及资源的大小，形式如{"custom_parallelism":16}。通过这种方式，Ray提供了自由的资源限制，不在限定于cpu，gpu，memory。

非Cluster模式

代码初始化时，指定参数

# 设置cpu8个，gpu1个，自定义资源Resource1共4个，自定义资源Resource2共16个
ray.init(num_cpus=8, num_gpus=1, resources={'Resource1': 4, 'Resource2': 16})

Cluster模式

启动ray node时，指定CLI参数：

# 设置cpu8个，gpu1个，自定义资源custom_parallelism共16个
ray start --num-cpus=8 --num_gpus=1 --resources='{"custom_parallelism":16}'

通过dashboard我们可以非常容易的看到集群各节点资源使用情况

resource.png

设置任务参数

在@ray.remote注解上设置需要的资源

# -*- coding: utf-8 -*-

import ray

# 设置需要的cpu、gpu数量
@ray.remote(num_cpus=2, num_gpus=2)
def func1():
    return 1

# 按百分比设置需要的cpu、gpu资源
@ray.remote(num_cpus=0.5)
def func2():
    return 1

# 设置需要的自定义资源
@ray.remote(resources={'custom_parallelism': 1})
def func3():
    return 1

if __name__ == '__main__':
    # 设置ray的num_cpus、num_gpus以及自定义资源
    ray.init(num_cpus=8, num_gpus=8, resources={'custom_parallelism': 16})
    res1 = func1.remote()
    res2 = func2.remote()
    res3 = func3.remote()
    print(ray.get(res1))
    print(ray.get(res2))
    print(ray.get(res3))