ray.wait

ray.wait(ray_waitables: List[ray._raylet.ObjectRef | ray._raylet.ObjectRefGenerator], *, num_returns: int = 1, timeout: float | None = None, fetch_local: bool = True) → Tuple[List[ray._raylet.ObjectRef | ray._raylet.ObjectRefGenerator], List[ray._raylet.ObjectRef | ray._raylet.ObjectRefGenerator]]

返回一个已准备好的ID列表和一个未准备好的ID列表。

如果设置了超时，函数将在请求的ID数量准备好或达到超时时间时返回，以先发生者为准。如果没有设置超时，函数将简单地等待，直到准备好该数量的对象，并返回该确切数量的对象引用。

ray_waitables 是一个包含 ObjectRef 和 ObjectRefGenerator 的列表。

该方法返回两个列表，即准备好的和未准备好的 ray_waitables。

ObjectRef:

与对象存储中可用的对象相对应的对象引用在第一个列表中。其余的对象引用在第二个列表中。

ObjectRefGenerator:

在第一个列表中的是那些下一个引用（将通过 next(generator) 获取）在对象存储中有相应对象可用的生成器。所有其他生成器则被放置在第二个列表中。

输入的 ray_waitables 列表的顺序被保留。也就是说，如果 A 在输入列表中先于 B，并且两者都在就绪列表中，那么 A 将在就绪列表中先于 B。如果 A 和 B 都在剩余列表中，这也同样适用。

如果在异步上下文中运行此方法，它将发出警告。可以使用 await asyncio.wait(ray_waitables) 代替 ray.wait(ray_waitables)。

相关模式和反模式：

• 模式：使用 ray.wait 限制待处理任务的数量

• 反模式：使用 ray.get 按提交顺序处理结果会增加运行时间

参数:

• ray_waitables – 可能已准备好或未准备好的对象的 ObjectRef 或 ObjectRefGenerator 列表。请注意，这些必须是唯一的。

• num_returns – 应返回的 ray_waitables 数量。

• timeout – 在返回之前等待的最大时间（以秒为单位）。

• fetch_local – 如果为True，则在对象下载到本地节点之前等待，然后将其作为准备好的对象返回。如果 ray_waitable 是一个生成器，它将等待生成器中的下一个对象下载完成。如果为False，ray.wait() 不会触发对象到本地节点的获取，并且一旦对象在集群中的任何地方可用，将立即返回。

返回:

已准备好的对象引用列表和剩余对象ID的列表。