第1篇 基礎概念
第1章 分散式系統簡介2
1.1 什麼是分散式系統2
1.2 分散式系統的歷史與未來10
1.3 分散式系統與平行計算13
1.4 分散式系統與邊緣計算17
1.5 分散式與超算系統20
1.6 分散式多智能體21
1.7 單體人工智慧22
1.7.1 TensorFlow的分散式方案22
1.7.2 Spark分散式機器學習24
1.7.3 Google聯合學習方案26
1.8 分散式與多人博弈27
1.9 分散式與群體智慧決策29
1.10 分散式與群體智慧的未來和價值30
1.11 本章小結31
第2章 分散式智慧計算基礎33
2.1 常用的分散式運算框架33
2.2 Spark分散式框架介紹37
2.3 HLA高層聯邦體系41
2.4 Multi-Agent體系44
2.5 RTI與RTOS分散式運算核心47
2.6 分散式運算的原理和常用方法52
2.6.1 分散式運算規則52
2.6.2 分散式與同步55
2.6.3 分散式與非同步59
2.6.4 處理同步與非同步延時64　
2.7 計算模型與任務分發70
2.8 代理模型與HLA智慧體75
2.9 分散式與決策模型79
2.10 底層計算核心RTOS84
2.11 分散式智慧計算的價值86
2.12 本章小結89
第2篇 計算框架
第3章 TensorFlow框架介紹92
3.1 什麼是TensorFlow92
3.2 TensorFlow的結構和應用概念94
3.3 Graph與平行計算模型99
3.4 Session工作階段層108
3.5 TensorFlow中的資料類型與計算函數112
3.6 TensorFlow與卷積神經網路120
3.7 準備TensorFlow的系統環境128
3.8 下載和安裝TensorFlow135
3.9 啟動第一個測試程式138
3.10 使用TensorFlow構建演算法框架148
3.10.1 使用CIFAR-10構建卷積神經網路148
3.10.2 使用RNN構建記憶網路155
3.10.3 搭建生成對抗網路160
3.11 TensorFlow的發展與價值165
3.12 本章小結166
第4章 分散式智慧計算核心167
4.1 什麼是SintolRTOS167
4.2 SintolRTOS支援的組織協定體系168
4.2.1 HLA高層聯邦體系168
4.2.2 資料分發服務171
4.2.3 Multi-Agent體系結構173
4.3 SintolRTOS核心元件和系統架構176
4.3.1 Core Soft Plateform178
4.3.2 Open Soft Plateform182
4.4 使用SintolRTOS系統元件的工作環境183
4.5 下載和安裝SintolRTOS183
4.6 SintolRTOS的分散式RTOSNode節點原理191
4.7 SintolRTOS的聯邦模型和檔定義196
4.7.1 FED聯邦模型檔定義196
4.7.2 IDL主題模型檔定義197
4.7.3 Agent代理模型定義199
4.8 編寫AI聯邦模型和Agent代理200
4.9 分散式運算層的模型與資料204
4.9.1 重構聯邦實體的處理類204
4.9.2 DQN神經網路與PSintolSDK構建計算層208
4.10 SintolRTOS智慧計算組織Demo213
4.10.1 Demo分散式聯邦智慧架構設計213
4.10.2 使用UnrealRTOS和CSintolSDK搭建模擬演練場景214
4.10.3 運行UnrealRTOS多智慧體進行聯邦對抗217
4.11 SintolRTOS與分散式人工智慧的未來219
4.12 本章小結220
第5章 大資料與存儲系統框架221
5.1 什麼是大數據221
5.2 大資料的關鍵技術222
5.3 大數據與機器學習224
5.4 Hadoop與分散式存儲框架225
5.5 搭建Spark運行環境228
5.6 Spark、Hadoop與TensorFlow結合245
5.6.1 分散式的圖像資料處理和識別平臺245
5.6.2 分散式機器學習與分散式資料平臺252
5.7 分散式大資料與機器學習的未來252
5.8 本章小結253
第3篇 多智慧體分散式AI演算法
第6章 機器學習演算法與分散式改進256
6.1 邏輯回歸256
6.2 支持向量機263
6.3 決策樹271
6.4 分散式多演算法結構的決策樹279
6.5 多工平行計算演算法改進281
6.5.1 資料並行282
6.5.2 模型並行284
6.6 單體演算法與分散式演算法的優化287
6.6.1 單體演算法優化287
6.6.2 分散式非同步隨機梯度下降290
6.7 機器學習演算法的維數災難293
6.8 深度學習的內在發展需求294
6.8.1 解決維數災難295
6.8.2 演算法架構設計295
6.8.3 深度學習與多工學習297
6.9 自我調整學習神經網路演算法304
6.9.1 Momentum演算法與優化305
6.9.2 RMSProp演算法與優化305
6.9.3 Adam演算法與優化307
6.10 分散式與機器學習演算法規模化的發展與價值310
6.11 本章小結312
第7章 生成網路和強化學習314
7.1 生成對抗網路314
7.2 深度卷積生成對抗網路316
7.3 分散式與多智慧體對抗演算法MADDPG330
7.4 常用的強化學習演算法結構336
7.5 Q-learning演算法337
7.6 Sarsa-lamba演算法346
7.6.1 Sarsa演算法原理346
7.6.2 Sarsa-lamda演算法的改進347
7.6.3 演算法實現347
7.7 深度Q網路349
7.7.1 DQN演算法原理349
7.7.2 DQN的模型訓練350
7.7.3 訓練DQN351
7.7.4 演算法實現與分析352
7.8 其他強化學習基礎演算法354
7.9 強化學習演算法的發展與價值356
7.10 本章小結357
第8章 對抗和群體智慧博弈358
8.1 群體智慧的歷史358
8.2 博弈矩陣360
8.2.1 博弈矩陣簡介360
8.2.2 博弈的線性規劃和納什均衡363
8.2.3 博弈的學習演算法364
8.2.4 WoLF-IGA和WoLF-PHC演算法366
8.2.5 分散式博弈矩陣368
8.2.6 學習自動機369
8.2.7 模擬博弈環境371
8.3 網格博弈375
8.4 多智慧體Q-learning演算法378