相关截图：





资料简介：

《分布式人工智能基于TensorFlow、RTOS与群体智能体系》结合分布式计算、大数据、机器学习、深度学习和强化学习等技术，以群体智能为主线，讲述分布式人工智能的原理与应用。本书首先介绍分布式系统的概念、技术概况、计算框架、智能核心及体系架构等内容；然后介绍大数据框架、高速计算、海量存储及人工智能经典算法等内容；接着介绍大规模分布式系统架构与演进，以及群体智能与博弈等内容；*后搭建《星际争霸2》仿真环境，并开发相关的仿真对抗系统。

《分布式人工智能基于TensorFlow、RTOS与群体智能体系》共10章，分为4篇。第1篇“基础概念”，介绍分布式系统的概况和分布式智能计算基础；第2篇“计算框架”，介绍TensorFlow框架、分布式智能计算核心、大数据与存储系统框架；第3篇“多智能体分布式AI算法”，介绍机器学习算法与分布式改进、生成网络和强化学习、对抗和群体智能博弈；第4篇“分布式AI智能系统开发实战”，介绍群体智能对抗仿真环境及群体智能仿真对抗系统开发。

《分布式人工智能基于TensorFlow、RTOS与群体智能体系》通俗易懂，案例丰富，实用性强，特别适合分布式、人工智能和大数据等领域的入门与进阶人员阅读，也适合游戏开发、推荐系统和群体智能等领域的相关研究人员阅读。另外，本书还适合作为相关培训机构的教材。

第1篇  基础概念

第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  分布式与超算系统      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  分布式与群体智能决策      29

1.10  分布式与群体智能的未来和价值    30

1.11  本章小结     31

第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

第2篇  计算框架

第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

第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RTOSNode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

第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

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       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

第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

第8章  对抗和群体智能博弈    358

8.1  群体智能的历史   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  仿真群智博弈环境      382

8.8  Multi-Agent系统开发  384

8.9  群体智能的发展与价值      416

8.10  本章小结    418

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       420

9.1  群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  群体博弈仿真系统环境的代码模块   441

9.8  本章小结      495

第10章  开发群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  分布式群体智能的计算与存储 531

10.8  本章小结    534

后记       535