分布式人工智能:基于TensorFlow、RTOS与群体智能体系电子书

作者简介

内容简介

本书特色

前言

第1篇 基础概念

第1章 分布式系统简介

1.1 什么是分布式系统

1.2 分布式系统的历史与未来

1.3 分布式系统与并行计算

1.4 分布式系统与边缘计算

1.5 分布式与超算系统

1.6 分布式多智能体

1.7 单体人工智能

1.7.1 TensorFlow的分布式方案

1.7.2 Spark分布式机器学习

1.7.3 Google联合学习方案

1.8 分布式与多人博弈

1.9 分布式与群体智能决策

1.10 分布式与群体智能的未来和价值

1.11 本章小结

第2章 分布式智能计算基础

2.1 常用的分布式计算框架

2.2 Spark分布式框架介绍

2.3 HLA高层联邦体系

2.4 Multi-Agent体系

2.5 RTI与RTOS分布式计算核心

2.6 分布式计算的原理和常用方法

2.6.1 分布式计算规则

2.6.2 分布式与同步

2.6.3 分布式与异步

2.6.4 处理同步与异步延时

2.7 计算模型与任务分发

2.8 代理模型与HLA智能体

2.9 分布式与决策模型

2.10 底层计算核心RTOS

2.11 分布式智能计算的价值

2.12 本章小结

第2篇 计算框架

第3章 TensorFlow框架介绍

3.1 什么是TensorFlow

3.2 TensorFlow的结构和应用概念

3.3 Graph与并行计算模型

3.4 Session会话层

3.5 TensorFlow中的数据类型与计算函数

3.6 TensorFlow与卷积神经网络

3.7 准备TensorFlow的系统环境

3.8 下载和安装TensorFlow

3.9 启动第一个测试程序

3.10 使用TensorFlow构建算法框架

3.10.1 使用CIFAR-10构建卷积神经网络

3.10.2 使用RNN构建记忆网络

3.10.3 搭建生成对抗网络

3.11 TensorFlow的发展与价值

3.12 本章小结

第4章 分布式智能计算核心

4.1 什么是SintolRTOS

4.2 SintolRTOS支持的组织协议体系

4.2.1 HLA高层联邦体系

4.2.2 数据分发服务

4.2.3 Multi-Agent体系结构

4.3 SintolRTOS核心组件和系统架构

4.3.1 Core Soft Plateform

4.3.2 Open Soft Plateform

4.4 使用SintolRTOS系统组件的工作环境

4.5 下载和安装SintolRTOS

4.6 SintolRTOS的分布式RTOSNode节点原理

4.7 SintolRTOS的联邦模型和文件定义

4.7.1 FED联邦模型文件定义

4.7.2 IDL主题模型文件定义

4.7.3 Agent代理模型定义

4.8 编写AI联邦模型和Agent代理

4.9 分布式计算层的模型与数据

4.9.1 重构联邦实体的处理类

4.9.2 DQN神经网络与PSintolSDK构建计算层

4.10 SintolRTOS智能计算组织Demo

4.10.1 Demo分布式联邦智能架构设计

4.10.2 使用UnrealRTOS和CSintolSDK搭建仿真演练场景

4.10.3 运行UnrealRTOS多智能体进行联邦对抗

4.11 SintolRTOS与分布式人工智能的未来

4.12 本章小结

第5章 大数据与存储系统框架

5.1 什么是大数据

5.2 大数据的关键技术

5.3 大数据与机器学习

5.4 Hadoop与分布式存储框架

5.5 搭建Spark运行环境

5.6 Spark、Hadoop与TensorFlow结合

5.6.1 分布式的图像数据处理和识别平台

5.6.2 分布式机器学习与分布式数据平台

5.7 分布式大数据与机器学习的未来

5.8 本章小结

第3篇 多智能体分布式AI算法

第6章 机器学习算法与分布式改进

6.1 逻辑回归

6.2 支持向量机

6.3 决策树

6.4 分布式多算法结构的决策树

6.5 多任务并行计算算法改进

6.5.1 数据并行

6.5.2 模型并行

6.6 单体算法与分布式算法的优化

6.6.1 单体算法优化

6.6.2 分布式异步随机梯度下降

6.7 机器学习算法的维数灾难

6.8 深度学习的内在发展需求

6.8.1 解决维数灾难

6.8.2 算法架构设计

6.8.3 深度学习与多任务学习

6.9 自适应学习神经网络算法

6.9.1 Momentum算法与优化

6.9.2 RMSProp算法与优化

6.9.3 Adam算法与优化

6.10 分布式与机器学习算法规模化的发展与价值

6.11 本章小结

第7章 生成网络和强化学习

7.1 生成对抗网络

7.2 深度卷积生成对抗网络

7.3 分布式与多智能体对抗算法MADDPG

7.4 常用的强化学习算法结构

7.5 Q-learning算法

7.6 Sarsa-lamba算法

7.6.1 Sarsa算法原理

7.6.2 Sarsa-lamda算法的改进

7.6.3 算法实现

7.7 深度Q网络

7.7.1 DQN算法原理

7.7.2 DQN的模型训练

7.7.3 训练DQN

7.7.4 算法实现与分析

7.8 其他强化学习基础算法

7.9 强化学习算法的发展与价值

7.10 本章小结

第8章 对抗和群体智能博弈

8.1 群体智能的历史

8.2 博弈矩阵

8.2.1 博弈矩阵简介

8.2.2 博弈的线性规划和纳什均衡

8.2.3 博弈的学习算法

8.2.4 WoLF-IGA和WoLF-PHC算法

8.2.5 分布式博弈矩阵

8.2.6 学习自动机

8.2.7 仿真博弈环境

8.3 网格博弈

8.4 多智能体Q-learning算法

8.5 无限梯度上升

8.6 EMA Q-learning

8.7 仿真群智博弈环境

8.8 Multi-Agent系统开发

8.9 群体智能的发展与价值

8.10 本章小结

第4篇 分布式AI智能系统开发实战

第9章 体验群体智能对抗仿真环境

9.1 群体智能仿真系统环境介绍

9.2 导入多人对抗智能和仿真环境

9.3 启动分布式多智能体和仿真环境

9.4 启动人与多智能体进行对抗

9.5 启动数据回放

9.6 启动多个智能体集团博弈

9.7 群体博弈仿真系统环境的代码模块

9.8 本章小结

第10章 开发群体智能仿真对抗系统

10.1 智能体强化学习的算法工程

10.2 算法框架模块功能说明

10.3 训练智能体实现任务AI交互

10.4 使用训练好的模型进行任务处理

10.5 多智能体协作算法与RTOS结合

10.5.1 多智能体协作算法MADDPG的应用

10.5.2 结合RTOS实现MADDPG的分布式结构

10.6 行为状态机与AI结合

10.7 分布式群体智能的计算与存储

10.8 本章小结

后记