SKILL

distributed-training-ray-train

跨集群的分布式训练编排,将 PyTorch/TensorFlow/HuggingFace 从笔记本扩展到数千(1000s)节点。内置 Ray Tune 超参数调优、容错和弹性扩缩。需要跨多机训练超大模型或开展分布式超参数搜索时使用。

译文已校对
查看英文原文

Distributed training orchestration across clusters. Scales PyTorch/TensorFlow/HuggingFace from laptop to 1000s of nodes. Built-in hyperparameter tuning with Ray Tune, fault tolerance, elastic scaling. Use when training massive models across multiple machines or running distributed hyperparameter sweeps.

适用对象:学习与科研。自动收录 · 待核查。

原作者说明节选

从固定版本的 SKILL.md 提取,保留原文语言。以下内容属于作者说明,本站尚未验证安装、兼容或运行结果。

查看英文原文

原文涵盖的主题

  • Ray Train - Distributed Training Orchestration
  • Quick start
  • Common workflows
  • Workflow 1: Scale existing PyTorch code
  • Workflow 2: HuggingFace Transformers integration
  • Workflow 3: Hyperparameter tuning with Ray Tune
  • Workflow 4: Checkpointing and fault tolerance
  • Workflow 5: Multi-node training

Ray Train scales machine learning training from single GPU to multi-node clusters with minimal code changes. Installation: Basic PyTorch training (single node): That's it! Ray handles: Distributed coordination GPU allocation Fault tolerance Checkpointing Metric aggregation Original single-GPU code: Ray Train version (scales to multi-GPU/multi-node): Benefits: Same code runs on 1 GPU or 1000 GPUs Result: Distributed hyperparameter search across cluster Launch Ray cluster: Use Ray Train when: Training across multiple machines (multi-node) Need hyperparameter tuning at scale Want fault tolerance (auto-restart failed workers) Elastic scaling (add/remove nodes during training) Unified framework (same code for PyTorch/TF/HF) Key advantages: Multi-node orchestration: Easiest multi-node setup Ray Tune integration: Best-in-class hyperparameter tuning Fault tolerance: Automatic recovery from failures Elastic: Add/remove nodes without restarting Framework agnostic: PyTorch, TensorFlow, HuggingFace, XGBoost Use alternatives instead: Accelerate: Single-node multi-GPU, simpler PyTorch Lightning: High-level abstractions, callbacks DeepSpeed: Maximum performance, complex setup Raw DDP: Maximum con

这里只展示节选,请以完整原文和当前要求为准。

来源仓库
davila7/claude-code-templates
源文件
cli-tool/components/skills/ai-research/distributed-training-ray-train/SKILL.md
固定版本
21be197f100a12b8d0dd9a211cc244c8179f84d3
阅读完整原作者说明 ↗

准备条件

  • 本条仅收录原作者的技能元数据;请阅读完整说明,确认依赖、许可与使用条件。

第一件可以尝试的小事

先阅读原作者说明,再决定是否在自己的 AI 工具中使用。

对应 AI 工具说明

作者有说明不等于本站实机验证。没有证据时,不自动标为兼容、安全或免费。

来源与内容状态

本条为自动发现的元数据,尚未完成人工文档核查;适用性与运行结果待核查。

原作者:davila7/claude-code-templates · 原作者仓库元数据。文档核查:未核查。最近来源检查:2026-11-09T14:01:43.074Z。

分类由名称、说明与路径规则生成,分类不代表已核实适配。

许可与权利归属

MIT。第三方内容及版权归原作者,使用条件以原文为准。

许可原文 ↗

本站没有因同步、复制或用户自报成功而将资源标为运行验证通过。

限制与注意事项

  • 元数据收录不代表本站已经安装、适配、实测或进行安全审查。