Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Ray on SageMaker HyperPod
<a name="sagemaker-hyperpod-ray"></a>

Ray è un framework unificato open source per scalare le applicazioni AI e Python. Fornisce il livello di elaborazione per l'elaborazione parallela, quindi non è necessario essere esperti di sistemi distribuiti per eseguire il lavoro su un cluster. Ray Core distribuisce il lavoro e le librerie Ray AI coprono l'elaborazione dei dati, il training distribuito, l'ottimizzazione degli iperparametri, l'apprendimento per rinforzo e la gestione dei modelli. Per ulteriori informazioni, consulta la [ panoramica ](https://docs.ray.io/en/latest/ray-overview/index.html) nella documentazione di Ray.

Ray on SageMaker HyperPod esegue i carichi di lavoro Ray su HyperPod elaborazione orchestrata da Amazon EKS, utilizzando l'operatore open source. KubeRay Il codice Ray, le API Ray e le risorse personalizzate rimangono invariati KubeRay.

Rimanendo completamente in linea con l'open source Ray, si HyperPod aggiungono funzionalità aggiuntive anziché sostituirne alcuna parte:
+ Un'interfaccia web creata appositamente per gestire i carichi di lavoro Ray in Amazon SageMaker Studio che riunisce tutte le funzionalità elencate di seguito in un'unica interfaccia.
+ Sviluppo interattivo, in cui un JupyterLab editor di codice o una sessione IDE remota si collega a un cluster Ray e si connette. `ray.init()`
+ Accesso sicuro a Ray Dashboard tramite un collegamento al browser autenticato, senza. `kubectl port-forward`
+ Una cache KV gestita su più livelli che riduce i tempi di installazione del primo token, l'implementazione del JumpStart modello e la scalabilità automatica gestita da Karpenter per Ray Serve.
+ Allocazioni di calcolo del team, pianificazione basata sulle priorità e prestito e prestito del calcolo inattivo tramite Task Governance. HyperPod 
+ Ray metrics e dashboard Grafana forniti dal componente aggiuntivo Observability. HyperPod
+ Formazione resiliente con ripristino automatico dei nodi, rilevamento dei lavori interrotti e checkpoint su più livelli a livello di infrastruttura.

Puoi adottare tutto questo o installare solo le funzionalità che ti mancano. Per ulteriori informazioni sui due approcci, vedere[Nozioni di base](sagemaker-hyperpod-ray-getting-started.md).

## Prerequisiti
<a name="sagemaker-hyperpod-ray-prerequisites"></a>

Ray on HyperPod richiede un HyperPod cluster orchestrato da Amazon EKS. Per ulteriori informazioni sulla creazione di uno, consulta. [Creazione di un SageMaker HyperPod cluster con l'orchestrazione di Amazon EKS](sagemaker-hyperpod-eks-operate-console-ui-create-cluster.md)

## Regioni
<a name="sagemaker-hyperpod-ray-regions"></a>

Ray on HyperPod è disponibile Regioni AWS ovunque SageMaker HyperPod supporta l'orchestrazione di Amazon EKS. Per l'elenco delle regioni, consulta. [Regioni AWS supportato da SageMaker HyperPod](sagemaker-hyperpod.md#sagemaker-hyperpod-available-regions)

**Topics**
+ [Prerequisiti](#sagemaker-hyperpod-ray-prerequisites)
+ [Regioni](#sagemaker-hyperpod-ray-regions)
+ [Che cos'è Ray](sagemaker-hyperpod-ray-what-is-ray.md)
+ [Nozioni di base](sagemaker-hyperpod-ray-getting-started.md)
+ [Installazione KubeRay su HyperPod Amazon EKS](sagemaker-hyperpod-ray-install-kuberay.md)
+ [Amazon SageMaker Studio (sviluppo basato sul web)](sagemaker-hyperpod-ray-studio.md)
+ [Gestione dei carichi di lavoro Ray](sagemaker-hyperpod-ray-manage-workloads.md)
+ [IDE e notebook con Ray](sagemaker-hyperpod-ray-ide-notebooks.md)
+ [Accesso a Ray Dashboard e invio remoto dei lavori](sagemaker-hyperpod-ray-dashboard.md)
+ [Formazione resiliente](sagemaker-hyperpod-ray-resilient-training.md)
+ [Coda con governance delle attività](sagemaker-hyperpod-ray-task-governance.md)
+ [Inferenza accelerata](sagemaker-hyperpod-ray-accelerated-inference.md)
+ [Osservabilità](sagemaker-hyperpod-ray-observability.md)
+ [Riferimento](sagemaker-hyperpod-ray-reference.md)