分布式人工智能：基于TensorFlow、RTOS與群體智能體系

前言
第1篇 基礎概念
第1章 分布式系統(tǒng)簡介2
11 什么是分布式系統(tǒng)2
12 分布式系統(tǒng)的歷史與未來10
13 分布式系統(tǒng)與并行計算13
14 分布式系統(tǒng)與邊緣計算17
15 分布式與超算系統(tǒng)20
16 分布式多智能體21
17 單體人工智能22
171 TensorFlow的分布式方案22
172 Spark分布式機器學習24
173 Google聯(lián)合學習方案26
18 分布式與多人博弈27
19 分布式與群體智能決策29
110 分布式與群體智能的未來和價值30
111 本章小結31
第2章 分布式智能計算基礎33
21 常用的分布式計算框架33
22 Spark分布式框架介紹37
23 HLA高層聯(lián)邦體系41
24 Multi-Agent體系44
25 RTI與RTOS分布式計算核心47
26 分布式計算的原理和常用方法52
261 分布式計算規(guī)則52
262 分布式與同步55
263 分布式與異步59
264 處理同步與異步延時64　
27 計算模型與任務分發(fā)70
28 代理模型與HLA智能體75
29 分布式與決策模型79
210 底層計算核心RTOS84
211 分布式智能計算的價值86
212 本章小結89
第2篇 計算框架
第3章 TensorFlow框架介紹92
31 什么是TensorFlow92
32 TensorFlow的結構和應用概念94
33 Graph與并行計算模型99
34 Session會話層108
35 TensorFlow中的數(shù)據(jù)類型與計算函數(shù)112
36 TensorFlow與卷積神經(jīng)網(wǎng)絡120
37 準備TensorFlow的系統(tǒng)環(huán)境128
38 下載和安裝TensorFlow135
39 啟動第一個測試程序138
310 使用TensorFlow構建算法框架148
3101 使用CIFAR-10構建卷積神經(jīng)網(wǎng)絡148
3102 使用RNN構建記憶網(wǎng)絡155
3103 搭建生成對抗網(wǎng)絡160
311 TensorFlow的發(fā)展與價值165
312 本章小結166
第4章 分布式智能計算核心167
41 什么是SintolRTOS167
42 SintolRTOS支持的組織協(xié)議體系168
421 HLA高層聯(lián)邦體系168
422 數(shù)據(jù)分發(fā)服務171
423 Multi-Agent體系結構173
43 SintolRTOS核心組件和系統(tǒng)架構176
431 Core Soft Plateform178
432 Open Soft Plateform182
44 使用SintolRTOS系統(tǒng)組件的工作環(huán)境183
45 下載和安裝SintolRTOS183
46 SintolRTOS的分布式RTOSNode節(jié)點原理191
47 SintolRTOS的聯(lián)邦模型和文件定義196
471 FED聯(lián)邦模型文件定義196
472 IDL主題模型文件定義197
473 Agent代理模型定義199
48 編寫AI聯(lián)邦模型和Agent代理200
49 分布式計算層的模型與數(shù)據(jù)204
491 重構聯(lián)邦實體的處理類204
492 DQN神經(jīng)網(wǎng)絡與PSintolSDK構建計算層208
410 SintolRTOS智能計算組織Demo213
4101 Demo分布式聯(lián)邦智能架構設計213
4102 使用UnrealRTOS和CSintolSDK搭建仿真演練場景214
4103 運行UnrealRTOS多智能體進行聯(lián)邦對抗217
411 SintolRTOS與分布式人工智能的未來219
412 本章小結220
第5章 大數(shù)據(jù)與存儲系統(tǒng)框架221
51 什么是大數(shù)據(jù)221
52 大數(shù)據(jù)的關鍵技術222
53 大數(shù)據(jù)與機器學習224
54 Hadoop與分布式存儲框架225
55 搭建Spark運行環(huán)境228
56 Spark、Hadoop與TensorFlow結合245
561 分布式的圖像數(shù)據(jù)處理和識別平臺245
562 分布式機器學習與分布式數(shù)據(jù)平臺252
57 分布式大數(shù)據(jù)與機器學習的未來252
58 本章小結253
第3篇 多智能體分布式AI算法
第6章 機器學習算法與分布式改進256
61 邏輯回歸256
62 支持向量機263
63 決策樹271
64 分布式多算法結構的決策樹279
65 多任務并行計算算法改進281
651 數(shù)據(jù)并行282
652 模型并行284
66 單體算法與分布式算法的優(yōu)化287
661 單體算法優(yōu)化287
662 分布式異步隨機梯度下降290
67 機器學習算法的維數(shù)災難293
68 深度學習的內(nèi)在發(fā)展需求294
681 解決維數(shù)災難295
682 算法架構設計295
683 深度學習與多任務學習297
69 自適應學習神經(jīng)網(wǎng)絡算法304
691 Momentum算法與優(yōu)化305
692 RMSProp算法與優(yōu)化305
693 Adam算法與優(yōu)化307
610 分布式與機器學習算法規(guī)?；陌l(fā)展與價值310
611 本章小結312
第7章 生成網(wǎng)絡和強化學習314
71 生成對抗網(wǎng)絡314
72 深度卷積生成對抗網(wǎng)絡316
73 分布式與多智能體對抗算法MADDPG330
74 常用的強化學習算法結構336
75 Q-learning算法337
76 Sarsa-lamba算法346
761 Sarsa算法原理346
762 Sarsa-lamda算法的改進347
763 算法實現(xiàn)347
77 深度Q網(wǎng)絡349
771 DQN算法原理349
772 DQN的模型訓練350
773 訓練DQN351
774 算法實現(xiàn)與分析352
78 其他強化學習基礎算法354
79 強化學習算法的發(fā)展與價值356
710 本章小結357
第8章 對抗和群體智能博弈358
81 群體智能的歷史358
82 博弈矩陣360
821 博弈矩陣簡介360
822 博弈的線性規(guī)劃和納什均衡363
823 博弈的學習算法364
824 WoLF-IGA和WoLF-PHC算法366
825 分布式博弈矩陣368
826 學習自動機369
827 仿真博弈環(huán)境371
83 網(wǎng)格博弈375
84 多智能體Q-learning算法378