分布式人工智能:基于TensorFlow、RTOS与群体智能体系 王静逸 人工智能神经计算书籍

本书结合了分布式计算、大数据、机器学习、深度学习、强化学习等技术，以体智能为主线，讲述了分布式人工智能的原理和应用。它介绍了分布式计算的框架技术、智能核心、分布式体系与架构。本书介绍了大数据的框架、高速计算、海量存储；介绍了人工智能的经典算法，并且结合分布式技术，进行大规模分布式架构与演进；介绍了体智能与博弈，结合分布式、大数据、智能核心，讲解了体智能技术系统的发展方向与开发方式。
本书内容通俗易懂，案例丰富，实用性强，特别适合分布式、人工智能、大数据相关的入门读者和进阶读者阅读，也适合游戏开发、推荐系统、体智能底层研究者等阅读。另外，本书也适合作为相关培训机构的教材使用。

前言
1篇 基础概念
1章 分布式系统简介 2
1.1 什么是分布式系统 2
1.2 分布式系统的历史与未来 10
1.3 分布式系统与并行计算 13
1.4 分布式系统与边缘计算 17
1.5 分布式与算系统 20
1.6 分布式多智能体 21
1.7 单体人工智能 22
1.7.1 TensorFlow的分布式方案 22
1.7.2 Spark分布式机器学习 24
1.7.3 Google联合学习方案 26
1.8 分布式与多人博弈 27
1.9 分布式与体智能决策 29
1.10 分布式与体智能的未来和价值 30
1.11 本章小结 31
2章 分布式智能计算基础 33
2.1 常用的分布式计算框架 33
2.2 Spark分布式框架介绍 37
2.3 HLA高层联邦体系 41
2.4 Multi-Agent体系 44
2.5 RTI与RTOS分布式计算核心 47
2.6 分布式计算的原理和常用方法 52
2.6.1 分布式计算规则 52
2.6.2 分布式与同步 55
2.6.3 分布式与异步 59
2.6.4 处理同步与异步延时 64 
2.7 计算模型与任务分发 70
2.8 代理模型与HLA智能体 75
2.9 分布式与决策模型 79
2.10 底层计算核心RTOS 84
2.11 分布式智能计算的价值 86
2.12 本章小结 89
2篇 计算框架
3章 TensorFlow框架介绍 92
3.1 什么是TensorFlow 92
3.2 TensorFlow的结构和应用概念 94
3.3 Graph与并行计算模型 99
3.4 Session会话层 108
3.5 TensorFlow中的数据类型与计算函数 112
3.6 TensorFlow与卷积神经网络 120
3.7 准备TensorFlow的系统环境 128
3.8 下载和安装TensorFlow 135
3.9 启动一个测试程序 138
3.10 使用TensorFlow构建算法框架 148
3.10.1 使用CIFAR-10构建卷积神经网络 148
3.10.2 使用RNN构建记忆网络 155
3.10.3 搭建生成对抗网络 160
3.11 TensorFlow的发展与价值 165
3.12 本章小结 166
4章 分布式智能计算核心 167
4.1 什么是SintolRTOS 167
4.2 SintolRTOS支持的组织协议体系 168
4.2.1 HLA高层联邦体系 168
4.2.2 数据分发服务 171
4.2.3 Multi-Agent体系结构 173
4.3 SintolRTOS核心组件和系统架构 176
4.3.1 Core Soft Plateform 178
4.3.2 Open Soft Plateform 182
4.4 使用SintolRTOS系统组件的工作环境 183
4.5 下载和安装SintolRTOS 183
4.6 SintolRTOS的分布式RTOSde节点原理 191
4.7 SintolRTOS的联邦模型和文件定义 196
4.7.1 FED联邦模型文件定义 196
4.7.2 IDL主题模型文件定义 197
4.7.3 Agent代理模型定义 199
4.8 编写AI联邦模型和Agent代理 200
4.9 分布式计算层的模型与数据 204
4.9.1 重构联邦实体的处理类 204
4.9.2 DQN神经网络与PSintolSDK构建计算层 208
4.10 SintolRTOS智能计算组织Demo 213
4.10.1 Demo分布式联邦智能架构设计 213
4.10.2 使用UnrealRTOS和CSintolSDK搭建仿真演练场景 214
4.10.3 运行UnrealRTOS多智能体进行联邦对抗 217
4.11 SintolRTOS与分布式人工智能的未来 219
4.12 本章小结 220
5章 大数据与存储系统框架 221
5.1 什么是大数据 221
5.2 大数据的关键技术 222
5.3 大数据与机器学习 224
5.4 Hadoop与分布式存储框架 225
5.5 搭建Spark运行环境 228
5.6 Spark、Hadoop与TensorFlow结合 245
5.6.1 分布式的图像数据处理和识别平台 245
5.6.2 分布式机器学习与分布式数据平台 252
5.7 分布式大数据与机器学习的未来 252
5.8 本章小结 253
3篇 多智能体分布式AI算法
6章 机器学习算法与分布式改进 256
6.1 逻辑回归 256
6.2 支持向量机 263
6.3 决策树 271
6.4 分布式多算法结构的决策树 279
6.5 多任务并行计算算法改进 281
6.5.1 数据并行 282
6.5.2 模型并行 284
6.6 单体算法与分布式算法的优化 287
6.6.1 单体算法优化 287
6.6.2 分布式异步随机梯度下降 290
6.7 机器学习算法的维数灾难 293
6.8 深度学习的内在发展需求 294
6.8.1 解决维数灾难 295
6.8.2 算法架构设计 295
6.8.3 深度学习与多任务学习 297
6.9 自适应学习神经网络算法 304
6.9.1 Momentum算法与优化 305
6.9.2 RMSProp算法与优化 305
6.9.3 Adam算法与优化 307
6.10 分布式与机器学习算法规模化的发展与价值 310
6.11 本章小结 312
7章 生成网络和强化学习 314
7.1 生成对抗网络 314
7.2 深度卷积生成对抗网络 316
7.3 分布式与多智能体对抗算法MADDPG 330
7.4 常用的强化学习算法结构 336
7.5 Q-learning算法 337
7.6 Sarsa-lamba算法 346
7.6.1 Sarsa算法原理 346
7.6.2 Sarsa-lamda算法的改进 347
7.6.3 算法实现 347
7.7 深度Q网络 349
7.7.1 DQN算法原理 349
7.7.2 DQN的模型训练 350
7.7.3 训练DQN 351
7.7.4 算法实现与分析 352
7.8 其他强化学习基础算法 354
7.9 强化学习算法的发展与价值 356
7.10 本章小结 357
8章 对抗和体智能博弈 358
8.1 体智能的历史 358
8.2 博弈矩阵 360
8.2.1 博弈矩阵简介 360
8.2.2 博弈的线性规划和纳什均衡 363
8.2.3 博弈的学习算法 364
8.2.4 WoLF-IGA和WoLF-PHC算法 366
8.2.5 分布式博弈矩阵 368
8.2.6 学习自动机 369
8.2.7 仿真博弈环境 371
8.3 网格博弈 375
8.4 多智能体Q-learning算法 378
8.5 无限梯度上升 380
8.6 EMA Q-learning 381
8.7 仿真智博弈环境 382
8.8 Multi-Agent系统开发 384
8.9 体智能的发展与价值 416
8.10 本章小结 418
4篇 分布式AI智能系统开发实战
9章 体验体智能对抗仿真环境 420
9.1 体智能仿真系统环境介绍 420
9.2 导入多人对抗智能和仿真环境 423
9.3 启动分布式多智能体和仿真环境 432
9.4 启动人与多智能体进行对抗 434
9.5 启动数据回放 436
9.6 启动多个智能体集团博弈 439
9.7 体博弈仿真系统环境的代码模块 441
9.8 本章小结 495
10章 开发体智能仿真对抗系统 496
10.1 智能体强化学习的算法工程 496
10.2 算法框架模块功能说明 497
10.3 训练智能体实现任务AI交互 514
10.4 使用训练好的模型进行任务处理 518
10.5 多智能体协作算法与RTOS结合 523
10.5.1 多智能体协作算法MADDPG的应用 523
10.5.2 结合RTOS实现MADDPG的分布式结构 525
10.6 行为状态机与AI结合 529
10.7 分布式体智能的计算与存储 531
10.8 本章小结 534
后记 535