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global scheduler呢？
- local scheduler会维护一个任务队列（task queue），每次调度任务时它会检查当前任务队列的长度，如果超过一定的阈值，那么认为本机过载了，不在调度当前任务而是将其转给上层全局调度器。
- remote函数缺少运行时所需的资源，如gpu资源。
- remote函数的输入值是远程的。
3. Remote函数简单调度示例
下图为论文中提供的简单示例，用来说明remote函数的输入值是远程时如何调度。
如图，a与b分布存储在节点N1和N2上，driver将任务提交给local scheduler后，由于b不存在于N1中，即remote函数的输入是远程的，推送至global scheduler由其调度。上图将其分发到节点N2去执行，其实也有可能分发到N1去执行，那么就是N1到N2将对象b拉取到本地，这依赖于global scheduler的调度策略，目前其采取均匀分布策略。调度策略相关代码。
二、Actor抽象的放置
Ray中的远程函数为我们提供分布式函数编程，但在实践中会受到一些限制，所有Ray中又引入actor抽象扩展数据流模型。对于Actor抽象不了解的可以参考博客。
1. Actor的定义和创建
如下，装饰器 @ray.remote表明类Counter实例化后为actor。
@ray.remote
class Counter(object):
def __init__(self):
self.value = 0
def increment(self):
self.value += 1
return self.value为了真正创建一个actor，我们通过调用Counter.remote()来实例化该类。
a1 = Counter.remote()
a2 = Counter.remote()
2. Actor的放置策略
目前，actor的放置是随机的，只能保证一点，如果现在有20台机器，且gpu共有50个，此时我们创建了50个actor，每个actor需要一个gpu，此时创建的50个actor会与50个gpu一一对应，分布在20台机器上。
另一种情况，现有2台机器，每台机器有10个gpu，创建10个actor且每个actor需要一个gpu，那么可能出现10个actor创建在一台机器上或者每台机器上创建5个actor等等情况。
针对上述情况，Ray提供一个方法可以指定actor在哪一台机器上运行，即每台机器启动时可以创建自己特有的资源，当创建actor时，指定需要特有的资源，则此时actor的创建就受控制，具体参考下节。
3. Actor的指定放置方法
首先启动节点时，提供特有的节点资源，如节点N1为head节点，N2为非head节点，N1启动时指定特殊的资源，如下：
ray start --head --resources='{"Resource1": 4}'其中Resource1可以任意写，如写A也行，N2此时正常连接至头结点就行。
当我们创建actor时只需如下就行：
@ray.remote(resources={'Resource1': 1})
class Counter(object):
def __init__(self):
self.value = 0
def increment(self):
self.value += 1
return self.value此时创建的actor只会在节点N1上，因为所需的资源Resource1只有N1拥有。