火山引擎机器学习平台现已支持使用 Ray 分布式计算引擎。算法工程师现在可以利用 Python 和 Ray Ai Runtime，轻松地进行大规模数据处理和分布式模型训练。我们致力于提供一站式的机器学习服务，助力客户打造高效、可靠的机器学习工作流程。我们进一步优化了服务，通过将 Ray 框架(ray.io)与自定义任务模块无缝集成，简化了 Ray 作业的创建和执行过程，实现了作业的灵活调度和按需执行。

使用 Ray 时，用户无需对代码进行任何修改或调整资源配置，只需携带包含 Ray Runtime 的镜像，即可快速启动 Ray 作业。此外，用户还可以通过 veMLP 中的开发机模块与 Ray 引擎连接，进行任务开发和调试。Ray（Preview）目前支持了华北2（北京）、华东2（上海）等地域。

1. 拥有 >= 1 个预付费队列的使用权限。

平台支持通过控制台（Web 页面）和命令行工具发起训练任务，下文将介绍控制台提交 Ray Job 方式的操作步骤。

1. 登录机器学习平台，单击左侧导航栏中的【自定义任务】进入列表页面。
2. 单击列表页面左上方的【+ 创建自定义任务】进入创建页面。
3. 在创建页面填写相关参数，具体请参考发起自定义任务

1. 选择 Ray Job 镜像时，若您需要选择自定义镜像，请确保镜像中存在 Ray 相关的二进制文件，镜像中的 Ray 版本应符合特定的要求范围，即在 2.2.0 到 2.9.3 版本之间。
   
2. 在资源配置-实例配置处，选择 Ray 框架，并且完成相应角色的资源配置
   
   3.在 Ray Job 运行后，您可前往任务详情页通过VPC 网络访问 RayDashboard
   4.若您需要查看 Ray Job 的日志或监控信息，可在详情页切换 Tab 查看