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中的數據類型與計算函數112
36 TensorFlow與卷積神經網絡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構建卷積神經網絡148
3102 使用RNN構建記憶網絡155
3103 搭建生成對抗網絡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支持的組織協議體系168
421 HLA高層聯邦體系168
422 數據分發(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的聯邦模型和文件定義196
471 FED聯邦模型文件定義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聯邦模型和Agent代理200
49 分布式計算層的模型與數據204
491 重構聯邦實體的處理類204
492 DQN神經網絡與PSintolSDK構建計算層208
410 SintolRTOS智能計算組織Demo213
4101 Demo分布式聯邦智能架構設計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 大數據與存儲系統(tǒng)框架221
51 什么是大數據221
52 大數據的關鍵技術222
53 大數據與機器學習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 分布式的圖像數據處理和識別平臺245
562 分布式機器學習與分布式數據平臺252
57 分布式大數據與機器學習的未來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 數據并行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災難293
68 深度學習的內在發(fā)展需求294
681 解決維數災難295
682 算法架構設計295
683 深度學習與多任務學習297
69 自適應學習神經網絡算法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 生成網絡和強化學習314
71 生成對抗網絡314
72 深度卷積生成對抗網絡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347
77 深度Q網絡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 網格博弈375
84 多智能體Q-learning算法378