ray `num_cpus` 用于实际分配 CPU 吗？
Is ray `num_cpus` used to actually allocate CPUs?
使用 ray 框架时，可以选择 select 此任务所需的 CPU 数量，如 here 所述。
例如：
@ray.remote(num_cpus=4)
def f():
return 1
然而，尚不清楚是否会有实际的 CPU 分配：
- 该函数将随机分配
4CPUs（例如使用 CPU affinity，就像在 taskset linux 命令中一样，或者cpuset docker 参数)
- 或者调度程序将仅在内部使用此
num_cpus 作为调度元数据。让 ex 决定他是否可以开始一项需要 16 个 cpu 的新任务，而这里只剩下 10 个。该任务仍然可以访问所有 CPU，并且可以 'use' 比 num_cpus 中请求的时间多 CPU
选项 2 似乎更有可能，但这在文档中没有说明。
此外，GPU 似乎有一种选项 1，这使得调度程序的意图不清楚：
Ray will automatically set the environment variable
CUDA_VISIBLE_DEVICES for that process.
该进程被配置为使用某个 GPU（但可以绕过它，通过重置 CUDA_VISIBLE_DEVICES）
那么，num_cpus在ray中是如何使用的呢？
好问题 - 对于 CPU，分配仅用作元数据（选项 2）。对于 GPU，分配既用作元数据又提供隔离。文档会很快更新（之后会更新答案）。
使用 ray 框架时，可以选择 select 此任务所需的 CPU 数量，如 here 所述。
例如：
@ray.remote(num_cpus=4)
def f():
return 1
然而，尚不清楚是否会有实际的 CPU 分配：
- 该函数将随机分配
4CPUs（例如使用 CPU affinity，就像在tasksetlinux 命令中一样，或者cpusetdocker 参数) - 或者调度程序将仅在内部使用此
num_cpus作为调度元数据。让 ex 决定他是否可以开始一项需要 16 个 cpu 的新任务，而这里只剩下 10 个。该任务仍然可以访问所有 CPU，并且可以 'use' 比num_cpus 中请求的时间多 CPU
选项 2 似乎更有可能，但这在文档中没有说明。 此外，GPU 似乎有一种选项 1，这使得调度程序的意图不清楚：
Ray will automatically set the environment variable CUDA_VISIBLE_DEVICES for that process.
该进程被配置为使用某个 GPU（但可以绕过它，通过重置 CUDA_VISIBLE_DEVICES）
那么，num_cpus在ray中是如何使用的呢？
好问题 - 对于 CPU，分配仅用作元数据（选项 2）。对于 GPU，分配既用作元数据又提供隔离。文档会很快更新（之后会更新答案）。