├── .readthedocs.yaml
├── Makefile
├── make.bat
├── requirements.txt
└── source
├── conf.py
├── index.rst
└── rst
├── CHANGELOG.rst
├── FAQ.rst
├── QTensor.rst
├── images
├── Barren_Plateau_mean.png
├── Barren_Plateau_variance.png
├── HQCNNAccuracy.png
├── HQCNNLOSS.png
├── Kmeans.jpg
├── QAE_Quantum_Cir.png
├── QMLP.png
├── QP-acc.png
├── QP-cir.png
├── QP-data.png
├── QP-pic.png
├── QTransferLearning_cir.png
├── Qcnn_circuit.png
├── Unet.png
├── Unet_data_imshow.png
├── VQC-SVM.png
├── all_singles_doubles.png
├── classic-quantum.PNG
├── dropout_sin.png
├── dsgd.png
├── ep_1.png
├── ep_9.png
├── eval_test.png
├── express.png
├── f1.png
├── f2.png
├── f3.png
├── final_quantum_circuit.png
├── gbp_arch.png
├── haar-fidelity.png
├── hqcnn_quantum_cir.png
├── hqcnn_train_loss.png
├── hqcnnarch.PNG
├── hqcnnmodel.PNG
├── loss3d.png
├── maxcut.png
├── mnsit_data_examples.png
├── mpi_bug.png
├── noise_1.PNG
├── noise_2.PNG
├── onnxsupport.csv
├── origin_circle.png
├── parallel_model.png
├── parallel_model_circuit.png
├── parallel_model_result.png
├── parallel_model_result_no_train.png
├── peft1.png
├── pqccir1.png
├── pqccir2.png
├── pqcloss.png
├── qae_train_loss.png
├── qaoa_demo.png
├── qcnn.png
├── qcnn_cir.png
├── qcnn_structrue.png
├── qcnn_transfer_learning_classical.png
├── qcnn_transfer_learning_predict.png
├── qcnn_vqnet.png
├── qcnn_vqnet_result.png
├── qdrl.png
├── qdrl_accuracy.png
├── qdrl_for_simple.png
├── qgan-arch.PNG
├── qgan-loss.png
├── qgan-pdf.png
├── qiskit_eval_test.png
├── qiskit_hqcnn_train_loss.png
├── qlinear_cir.png
├── qng_all_cir.png
├── qng_subcir1.png
├── qng_subcir2.png
├── qng_vs_sgd.png
├── qsvd.png
├── qsvd_algorithm.png
├── qsvm-arch.png
├── qsvm-kernel.png
├── quanvo.png
├── qunet_cir.png
├── qunet_eval_1.jpg
├── qunet_eval_2.jpg
├── qunet_eval_3.jpg
├── qunet_quantum.png
├── qunet_train_loss.png
├── qvc_accuracy.png
├── qvc_circuit.png
├── resnet_onnx.png
├── result_QDRL.gif
├── result_qcnn_small.png
├── rotosolve.png
├── same_apis_from_vqc.csv
├── single_qubit_model.png
├── single_qubit_model_circuit.png
├── single_qubit_model_result.png
├── single_qubit_model_result_no_train.png
├── stochastic_parameter-shift.png
├── vsql_0.png
├── vsql_1.png
├── vsql_2.png
├── vsql_3.png
├── vsql_4.png
├── vsql_5.png
├── vsql_6.png
├── vsql_7.png
├── vsql_8.png
├── vsql_cacc.PNG
├── vsql_closs.PNG
├── vsql_model.PNG
├── vsql_qacc.PNG
└── vsql_qloss.PNG
├── install.rst
├── llm.rst
├── nn.rst
├── qml_demo.rst
├── qnn.rst
├── qnn_pq3.rst
├── torch_api.rst
├── utils.rst
├── vqc.rst
└── vqc_demo.rst
/.readthedocs.yaml:
--------------------------------------------------------------------------------
1 | # Read the Docs configuration file for Sphinx projects
2 | # See https://docs.readthedocs.io/en/stable/config-file/v2.html for details
3 |
4 | # Required
5 | version: 2
6 |
7 | # Set the OS, Python version and other tools you might need
8 | build:
9 | os: ubuntu-22.04
10 | tools:
11 | python: "3.7"
12 | # You can also specify other tool versions:
13 | # nodejs: "20"
14 | # rust: "1.70"
15 | # golang: "1.20"
16 |
17 | # Build documentation in the "docs/" directory with Sphinx
18 | sphinx:
19 | configuration: source/conf.py
20 | # You can configure Sphinx to use a different builder, for instance use the dirhtml builder for simpler URLs
21 | # builder: "dirhtml"
22 | # Fail on all warnings to avoid broken references
23 | # fail_on_warning: true
24 |
25 | # Optionally build your docs in additional formats such as PDF and ePub
26 | # formats:
27 | # - pdf
28 | # - epub
29 |
30 | # Optional but recommended, declare the Python requirements required
31 | # to build your documentation
32 | # See https://docs.readthedocs.io/en/stable/guides/reproducible-builds.html
33 | python:
34 | install:
35 | - requirements: requirements.txt
--------------------------------------------------------------------------------
/Makefile:
--------------------------------------------------------------------------------
1 | # Minimal makefile for Sphinx documentation
2 | #
3 |
4 | # You can set these variables from the command line, and also
5 | # from the environment for the first two.
6 | SPHINXOPTS ?=
7 | SPHINXBUILD ?= sphinx-build
8 | SOURCEDIR = source
9 | BUILDDIR = build
10 |
11 | # Put it first so that "make" without argument is like "make help".
12 | help:
13 | @$(SPHINXBUILD) -M help "$(SOURCEDIR)" "$(BUILDDIR)" $(SPHINXOPTS) $(O)
14 |
15 | .PHONY: help Makefile
16 |
17 | # Catch-all target: route all unknown targets to Sphinx using the new
18 | # "make mode" option. $(O) is meant as a shortcut for $(SPHINXOPTS).
19 | %: Makefile
20 | @$(SPHINXBUILD) -M $@ "$(SOURCEDIR)" "$(BUILDDIR)" $(SPHINXOPTS) $(O)
21 |
--------------------------------------------------------------------------------
/make.bat:
--------------------------------------------------------------------------------
1 | @ECHO OFF
2 |
3 | pushd %~dp0
4 |
5 | REM Command file for Sphinx documentation
6 |
7 | if "%SPHINXBUILD%" == "" (
8 | set SPHINXBUILD=sphinx-build
9 | )
10 | set SOURCEDIR=source
11 | set BUILDDIR=build
12 |
13 | if "%1" == "" goto help
14 |
15 | %SPHINXBUILD% >NUL 2>NUL
16 | if errorlevel 9009 (
17 | echo.
18 | echo.The 'sphinx-build' command was not found. Make sure you have Sphinx
19 | echo.installed, then set the SPHINXBUILD environment variable to point
20 | echo.to the full path of the 'sphinx-build' executable. Alternatively you
21 | echo.may add the Sphinx directory to PATH.
22 | echo.
23 | echo.If you don't have Sphinx installed, grab it from
24 | echo.http://sphinx-doc.org/
25 | exit /b 1
26 | )
27 |
28 | if "%1" == "pdf" (
29 | %sphinxBUILD% -b pdf %SPHINXOPTS% %SOURCEDIR% %BUILDDIR%/pdf
30 | if errorlevel 1 exit /b 1
31 | echo.
32 | echo.Build finished. The pdf files are in %BUILDDIR%/pdf.
33 | goto end
34 | )
35 |
36 |
37 | %SPHINXBUILD% -M %1 %SOURCEDIR% %BUILDDIR% %SPHINXOPTS% %O%
38 | goto end
39 |
40 | :help
41 | %SPHINXBUILD% -M help %SOURCEDIR% %BUILDDIR% %SPHINXOPTS% %O%
42 |
43 | :end
44 | popd
45 |
--------------------------------------------------------------------------------
/requirements.txt:
--------------------------------------------------------------------------------
1 | sphinx-rtd-theme
--------------------------------------------------------------------------------
/source/conf.py:
--------------------------------------------------------------------------------
1 | # Configuration file for the Sphinx documentation builder.
2 | #
3 | # This file only contains a selection of the most common options. For a full
4 | # list see the documentation:
5 | # https://www.sphinx-doc.org/en/master/usage/configuration.html
6 |
7 | # -- Path setup --------------------------------------------------------------
8 |
9 | # If extensions (or modules to document with autodoc) are in another directory,
10 | # add these directories to sys.path here. If the directory is relative to the
11 | # documentation root, use os.path.abspath to make it absolute, like shown here.
12 | #
13 | import sphinx_rtd_theme
14 | # -- Project information -----------------------------------------------------
15 |
16 | project = 'VQNET'
17 | copyright = '2022, Original Quantum'
18 | author = 'Original Quantum'
19 |
20 | # The full version, including alpha/beta/rc tags
21 | release = 'v2.15.0'
22 |
23 |
24 | # -- General configuration ---------------------------------------------------
25 |
26 | # Add any Sphinx extension module names here, as strings. They can be
27 | # extensions coming with Sphinx (named 'sphinx.ext.*') or your custom
28 | # ones.
29 | extensions = ['sphinx.ext.autodoc', 'sphinx.ext.napoleon','sphinx.ext.autosummary']
30 |
31 | # Add any paths that contain templates here, relative to this directory.
32 | templates_path = ['_templates']
33 |
34 | # The language for content autogenerated by Sphinx. Refer to documentation
35 | # for a list of supported languages.
36 | #
37 | # This is also used if you do content translation via gettext catalogs.
38 | # Usually you set "language" from the command line for these cases.
39 | language = 'en'
40 |
41 | # List of patterns, relative to source directory, that match files and
42 | # directories to ignore when looking for source files.
43 | # This pattern also affects html_static_path and html_extra_path.
44 | exclude_patterns = []
45 |
46 |
47 | # -- Options for HTML output -------------------------------------------------
48 |
49 | # The theme to use for HTML and HTML Help pages. See the documentation for
50 | # a list of builtin themes.
51 | #
52 | html_theme = "sphinx_rtd_theme"
53 |
54 | html_theme_path = [sphinx_rtd_theme.get_html_theme_path()]
55 | # Add any paths that contain custom static files (such as style sheets) here,
56 | # relative to this directory. They are copied after the builtin static files,
57 | # so a file named "default.css" will overwrite the builtin "default.css".
58 | html_static_path = ['_static']
59 |
60 | # -- Options for PDF output --------------------------------------------------
61 |
62 | # Grouping the document tree into PDF files. List of tuples
63 | # (source start file,target name,title,author,options).
64 | #
65 | # If there is more than one author,separate them with \\.
66 | # For example: r'Guido van Rossum\\Fred L. Drake,Jr.,editor'
67 | #
68 | # The options element is a dictionary that lets you override
69 | # this config per-document.
70 | # For example,# ('index',u'MyProject',u'My Project',u'Author Name',# dict(pdf_compressed = True))
71 | # would mean that specific document would be compressed
72 | # regardless of the global pdf_compressed setting.
73 |
74 | pdf_documents = [
75 | ('index',u'HanLP Handbook',u'hankcs'),]
76 |
77 | # A comma-separated list of custom stylesheets. Example:
78 | pdf_stylesheets = ['a3']
79 |
80 | # Create a compressed PDF
81 | # Use True/False or 1/0
82 | # Example: compressed=True
83 | #pdf_compressed = False
84 |
85 | # A colon-separated list of folders to search for fonts. Example:
86 | pdf_font_path = ['C:\\Windows\\Fonts']
87 |
88 |
89 |
90 | # Mode for literal blocks wider than the frame. Can be
91 | # overflow,shrink or truncate
92 | pdf_fit_mode = "shrink"
93 |
94 | # Section level that forces a break page.
95 | # For example: 1 means top-level sections start in a new page
96 | # 0 means disabled
97 | #pdf_break_level = 0
98 |
99 | # When a section starts in a new page,force it to be 'even','odd',# or just use 'any'
100 | #pdf_breakside = 'any'
101 |
102 | # Insert footnotes where they are defined instead of
103 | # at the end.
104 | #pdf_inline_footnotes = True
105 |
106 | # verbosity level. 0 1 or 2
107 | #pdf_verbosity = 0
108 |
109 | # If false,no index is generated.
110 | #pdf_use_index = True
111 |
112 | # If false,no modindex is generated.
113 | #pdf_use_modindex = True
114 |
115 | # If false,no coverpage is generated.
116 | #pdf_use_coverpage = True
117 |
118 | # Documents to append as an appendix to all manuals.
119 | #pdf_appendices = []
120 |
121 | # Enable experimental feature to split table cells. Use it
122 | # if you get "DelayedTable too big" errors
123 | #pdf_splittables = False
124 |
125 | # Set the default DPI for images
126 | #pdf_default_dpi = 72
127 |
128 | # Enable rst2pdf extension modules (default is only vectorpdf)
129 | # you need vectorpdf if you want to use sphinx's graphviz support
130 | #pdf_extensions = ['vectorpdf']
131 |
132 | # Page template name for "regular" pages
133 | #pdf_page_template = 'cutePage'
134 |
135 | # Show Table Of Contents at the beginning?
136 | pdf_use_toc = False
137 |
138 | # How many levels deep should the table of contents be?
139 | pdf_toc_depth = 2
140 |
141 | # Add section number to section references
142 | pdf_use_numbered_links = False
143 |
144 | # Background images fitting mode
145 | pdf_fit_background_mode = 'scale'
146 |
147 |
148 | latex_engine = 'xelatex'
149 | latex_elements = {
150 | 'papersize': 'a4paper',
151 | 'pointsize': '11pt',
152 | 'preamble': r'''
153 | \usepackage{xeCJK}
154 | \setCJKmainfont[BoldFont=STZhongsong, ItalicFont=STKaiti]{STSong}
155 | \setCJKsansfont[BoldFont=STHeiti]{STXihei}
156 | \setCJKmonofont{STFangsong}
157 | \XeTeXlinebreaklocale "zh"
158 | \XeTeXlinebreakskip = 0pt plus 1pt
159 | \parindent 2em
160 | \definecolor{VerbatimColor}{rgb}{0.95,0.95,0.95}
161 | \setcounter{tocdepth}{3}
162 | \renewcommand\familydefault{\ttdefault}
163 | \renewcommand\CJKfamilydefault{\CJKrmdefault}
164 | '''
165 | }
166 |
--------------------------------------------------------------------------------
/source/index.rst:
--------------------------------------------------------------------------------
1 | .. VQNet documentation master file, created by
2 | sphinx-quickstart on Tue Jul 27 15:25:07 2021.
3 | You can adapt this file completely to your liking, but it should at least
4 | contain the root `toctree` directive.
5 |
6 | VQNet
7 | =================================
8 |
9 |
10 | **一种功能齐全,运行高效的量子软件开发工具包**
11 |
12 | VQNet是由本源量子开发的量子机器学习计算框架,它可以用于构建、运行和优化量子算法。
13 | 本使用文档是VQNet的api以及示例文档。英文版本可见: `VQNet API DOC. `_
14 |
15 |
16 | **什么是量子机器学习?**
17 |
18 | 量子机器学习是一个探索量子计算和机器学习思想相互作用的研究领域。
19 | 例如,我们可能想知道量子计算机是否可以加快训练或评估机器学习模型所需的时间。另一方面,我们可以利用机器学习技术来帮助我们发现量子纠错码、估计量子系统的特性或开发新的量子算法。
20 |
21 | **量子计算机作为人工智能加速器**
22 |
23 | 机器可以学习的极限一直由我们运行算法的计算机硬件定义——例如,现代神经网络深度学习的成功是由并行 GPU 集群实现的。
24 | 量子机器学习通过一种全新类型的计算设备——量子计算机,扩展了机器学习的硬件池。量子计算机的信息处理依赖于被称为量子理论的完全不同的物理定律。
25 | 在现代观点中,量子计算机可以像神经网络一样使用和训练。我们可以系统地调整例如电磁场强度或激光脉冲频率这种物理参数来构建可变量子线路。
26 | 使用这种可变量子线路电路将图像编码为设备的物理状态并进行测量,可用于对图像内容进行分类。
27 |
28 | **更大的视野: 可微分编程**
29 |
30 | 但我们的目标不仅仅是使用量子计算机来解决机器学习问题。量子电路是可微的,量子计算机本身可以计算在给定任务中变得更好所需的控制参数的变化。
31 | 可微分编程是深度学习的基础,可微分编程不仅仅是深度学习:它是一种编程范式,其中算法不是手工编码的,而是自动学习的。`VQNet` 同样基于可微分编程的思想实现。
32 | 训练量子计算机的意义比量子机器学习更加深远。可训练的量子电路可用于其他领域,如量子化学或量子优化。它可以提升多种应用,例如量子算法的设计、量子纠错方案的发现以及物理系统的理解。
33 |
34 | **VQNet特点**
35 |
36 | • 统一性。支持混合量子和经典神经网络模型的训练,支持量子计算机与经典计算机等多种硬件上的模型运行。
37 | • 实用性。使用python作为前端语言,接口友好、支持自动微分。
38 | • 高效性。设计统一架构,使用本源量子的QPanda量子计算库,以及自带的经典计算层提高量子机器学习的效率。
39 | • 应用丰富。提供丰富量子机器学习示例快速上手。
40 |
41 |
42 | .. toctree::
43 | :caption: 安装介绍
44 | :maxdepth: 2
45 |
46 | rst/install.rst
47 |
48 | .. toctree::
49 | :caption: 上手实例
50 | :maxdepth: 2
51 |
52 | rst/vqc_demo.rst
53 | rst/qml_demo.rst
54 |
55 | .. toctree::
56 | :caption: 经典神经网络接口介绍
57 | :maxdepth: 2
58 |
59 | rst/QTensor.rst
60 | rst/nn.rst
61 |
62 | rst/utils.rst
63 |
64 | .. toctree::
65 | :caption: 使用pyqpanda的量子神经网络接口
66 | :maxdepth: 2
67 |
68 | rst/qnn.rst
69 | rst/qnn_pq3.rst
70 |
71 | .. toctree::
72 | :caption: 量子神经网络自动微分模拟接口
73 | :maxdepth: 2
74 |
75 | rst/vqc.rst
76 |
77 | .. toctree::
78 | :caption: 量子大模型微调
79 | :maxdepth: 2
80 |
81 | rst/llm.rst
82 |
83 | .. toctree::
84 | :caption: 其他
85 | :maxdepth: 2
86 |
87 | rst/torch_api.rst
88 | rst/FAQ.rst
89 | rst/CHANGELOG.rst
90 |
91 |
92 |
93 |
94 |
95 |
--------------------------------------------------------------------------------
/source/rst/CHANGELOG.rst:
--------------------------------------------------------------------------------
1 |
2 | VQNet Changelog
3 | ######################
4 |
5 |
6 | [v2.16.0] - 2025-1-15
7 | ***************************
8 |
9 | Added
10 | ===================
11 |
12 | - 增加使用pyqpanda3进行量子线路计算的接口。
13 | - MeasureAll接口支持复合泡利算符。
14 | - 增加DataParallelVQCAdjointLayer以及DataParallelVQCLayer接口。
15 |
16 | Changed
17 | ===================
18 |
19 | - 移除ONNX过时功能,移除集成pyqpanda的绝大部分接口,保留示例代码中使用的部分接口。
20 | - VQC_QuantumEmbedding接口修改
21 | - 安装本软件包时不再同时安装pyqpanda, 而是同时安装pyqpanda3.
22 | - VQC接口支持入参使用 `x[,:2]`,原先只支持 `x[:,[2]]` 形式。
23 | - 本软件支持3.9,3.10,3.11版本python 不再支持python3.8
24 |
25 | Fixed
26 | ===================
27 | - 解决发现的内存泄漏问题;
28 | - 解决发现的GPU随机数问题;
29 | - reduce相关操作,可支持的数组的最大维度从8提升到30;
30 | - 优化代码,提升了部分情况下的python代码运行速度;
31 |
32 | [v2.15.0] - 2024-11-19
33 | ***************************
34 |
35 | Added
36 | ===================
37 |
38 | - 增加 `pyvqnet.backends.set_backend()` 接口, 在用户安装 `torch` 时候, 可使用 `torch` 进行QTensor的矩阵计算, 变分量子线路计算, 具体见文档 :ref:`torch_api` 。
39 | - 增加 `pyvqnet.nn.torch` 下继承于 `torch.nn.Module` 的神经网络接口, 变分量子线路神经接口等, 具体见文档 :ref:`torch_api` 。
40 | - 增加量子大模型微调模块微调训练介绍,具体步骤可以见文档 :ref:`llm` 。
41 |
42 | Changed
43 | ===================
44 | - diag接口修改。
45 | - 修改all_gather实现与torch.distributed.all_gather一致。
46 | - 修改 `QTensor` 最大支持30维度数据。
47 | - 修改分布式功能所需 `mpi4py` 需要4.0.1版本以上
48 |
49 | Fixed
50 | ===================
51 | - 部分随机数实现由于omp无法固定种子。
52 | - 修复分布式启动的部分bug。
53 |
54 |
55 | [v2.14.0] - 2024-09-30
56 | ***************************
57 |
58 | Added
59 | ===================
60 |
61 | - 增加 `VQC_LCU`, `VQC_FABLE`, `VQC_QSVT` 的block-encoding算法, 以及qpanda算法实现 `QPANDA_QSVT`, `QPANDA_LCU`, `QPANDA_FABLE` 接口.
62 | - 增加整数加到量子比特上 `vqc_qft_add_to_register`, 两个量子比特上的数加法 `vqc_qft_add_two_register`,两个量子比特上的数乘法的 `vqc_qft_mul`.
63 | - 增加混合qpanda与vqc的训练模块 `HybirdVQCQpandaQVMLayer`.
64 | - 增加 `einsum`, `moveaxis`, `eigh`, `dignoal` 等接口实现.
65 | - 增加分布式计算中张量并行计算功能 `ColumnParallelLinear`, `RowParallelLinear`.
66 | - 增加分布式计算中Zero stage-1 功能 `ZeroModelInitial`.
67 | - `QuantumBatchAsyncQcloudLayer` 指定 diff_method == "random_coordinate_descent" 时候不会使用PSR而是随机对量子参数选择一个进行梯度计算.
68 |
69 | Changed
70 | ===================
71 | - 移除了xtensor部分。
72 | - api文档进行部分修改。区分了基于自动微分的量子机器学习示例以及基于qpanda的机器学习示例,区别基于自动微分的量子机器学习接口以及基于qpanda的机器学习示例接口。
73 | - `matmul` 支持1d@1d,2d@1d,1d@2d。
74 | - 增加了一些量子计算层别名: `QpandaQCircuitVQCLayer`` = `QuantumLayer` , `QpandaQCircuitVQCLayerLite` = `QuantumLayerV2`, `QpandaQProgVQCLayer` = `QuantumLayerV3`.
75 |
76 | Fixed
77 | ===================
78 | - 修改分布式计算功能中底层通信接口 `allreduce`, `allgather`, `reduce`, `broadcast` , 添加对 `core.Tensor` 数据通信支持
79 | - 解决随机数生成的bug。
80 | - 解决了 VQC的 `RXX`, `RYY`, `RZZ`, `RZX` 转换成originIR的错误。
81 |
82 |
83 | [v2.13.0] - 2024-07-30
84 | ***************************
85 |
86 | Added
87 | ===================
88 |
89 | - 增加 `no_grad`, `GroupNorm`, `Interpolate`, `contiguous`, `QuantumLayerV3`, `fuse_model`, `SDPA`, `quantum_fisher` 接口。
90 | - 为解决量子机器学习过程中出现的过拟合问题添加量子Dropout样例.
91 |
92 | Changed
93 | ===================
94 |
95 | - `BatchNorm`, `LayerNorm`, `GroupNorm` 增加affine接口。
96 | - `diag` 接口在2d输入时候现在返回对角线上的1d输出,与torch一致。
97 | - slice,permute等操作会尝试使用view方式返回共享内存的QTensor。
98 | - 所有接口支持非contiguous的输入。
99 | - `Adam` 支持 weight_decay 参数。
100 |
101 | Fixed
102 | ===================
103 | - 修改 VQC 部分逻辑门分解函数的错误。
104 | - 修复部分函数的内存泄露问题。
105 | - 修复 `QuantumLayerMultiProcess` 不支持GPU输入的问题。
106 | - 修改 `Linear` 的默认参数初始化话方式
107 |
108 |
109 | [v2.12.0] - 2024-05-01
110 | ***************************
111 |
112 | Added
113 | ===================
114 |
115 | - 添加流水线并行PipelineParallelTrainingWrapper接口。
116 | - 添加 `Gelu`, `DropPath`, `binomial`, `adamW` 接口。
117 | - 添加 `QuantumBatchAsyncQcloudLayer` 支持pyqpanda的本地虚拟机模拟计算。
118 | - 添加 xtensor的 `QuantumBatchAsyncQcloudLayer` 支持pyqpanda的本地虚拟机模拟计算以及真机计算。
119 | - 使得QTensor 可以被deepcopy以及pickle。
120 | - 添加分布式计算启动命令 `vqnetrun`, 使用分布式计算接口时使用。
121 | - 添加ES梯度计算方法真机接口 `QuantumBatchAsyncQcloudLayerES` 支持pyqpanda的本地虚拟机模拟计算以及真机计算。
122 | - 添加在分布式计算中支持QTensor的数据通信接口 `allreduce`, `reduce`, `broadcast`, `allgather`, `send`, `recv` 等。
123 |
124 | Changed
125 | ===================
126 |
127 | - 安装包新加入依赖 "Pillow", "hjson", linux系统下安装包添加新依赖 "psutil"。 "cloudpickle"。
128 | - 优化softmax以及tranpose在GPU下运行速度。
129 | - 使用cuda11.8编译。
130 | - 整合了基于cpu、gpu下的分布式计算接口。
131 |
132 | Fixed
133 | ===================
134 | - 降低Linux-GPU版本启动时候的显存消耗。
135 | - 修复select以及power函数的内存泄露问题。
136 | - 移除了cpu、gpu下基于reduce方法的模型参数以及梯度更新方法 `nccl_average_parameters_reduce`, `nccl_average_grad_reduce`。
137 |
138 | [v2.11.0] - 2024-03-01
139 | ***************************
140 |
141 | Added
142 | ===================
143 |
144 | - 添加新的 `QNG` (量子自然梯度)API 和演示。
145 | - 添加量子电路优化,例如 `wrapper_single_qubit_op_fuse` , `wrapper_commute_controlled` , `wrapper_merge_rotations` api 和 demo。
146 | - 添加 `CY`, `SparseHamiltonian` , `HermitianExpval` 。
147 | - 添加 `is_csr`、 `is_dense`、 `dense_to_csr` 、 `csr_to_dense` 。
148 | - 添加 `QuantumBatchAsyncQcloudLayer` 支持pyqpanda的QCloud真实芯片计算, `expval_qcloud`。
149 | - 添加基于NCCL的单节点下多GPU分布式计算数据并行模型训练的相关接口实现 `nccl_average_parameters_allreduce`, `nccl_average_parameters_reduce`, `nccl_average_grad_allreduce`, `nccl_average_grad_reduce` 以及控制NCCL初始化以及相关操作的类 `NCCL_api`。
150 | - 添加量子线路进化策略梯度计算方法 `QuantumLayerES` 接口。
151 |
152 | Changed
153 | ===================
154 |
155 | - 将 `VQC_CSWAP` 电路重构为 `CSWAP`。
156 | - 移除旧的 QNG 文档。
157 | - 从 `pyvqnet.qnn.vqc` 中移除函数和类无用的 `num_wires` 参数。
158 | - 重构 `MeasureAll`, `Probability` api。
159 | - 为 `QuantumMeasure` 增加qtype参数。
160 |
161 | Fixed
162 | ===================
163 | - 将 `QuantumMeasure` 的 slots 改为 shots。
164 |
165 | [v2.10.0] - 2023-12-30
166 | ***************************
167 |
168 | Added
169 | ===========
170 | - 增加了pyvqnet.qnn.vqc下的新接口:IsingXX、IsingXY、IsingYY、IsingZZ、SDG、TDG、PhaseShift、MutliRZ、MultiCnot、MultixCnot、ControlledPhaseShift、SingleExcitation、DoubleExcitation、VQC_AllSinglesDoubles,ExpressiveEntanglingAnsatz等;
171 | - 支持adjoint梯度计算的pyvqnet.qnn.vqc.QuantumLayerAdjoint接口;
172 | - 支持originIR与VQC相互转换的功能;
173 | - 支持统计VQC模型中的经典和量子模块信息;
174 | - 增加量子经典神经网络混合模型下的两个案例: 基于小样本的量子卷积神经网络模型、用于手写数字识别的量子核函数模型;
175 | - 增加对arm芯片Mac的支持;
176 |
177 |
178 | [v2.9.0] - 2023-11-15
179 | ***************************
180 |
181 | Added
182 | ===========
183 | - 增加了xtensor接口定义,支持经典神经网络模块自动并行和CPU/GPU多后端,包含对多维数组的常用数学,逻辑,矩阵计算,以及常见的经典神经网络层,优化器等150余个接口。
184 |
185 | Changed
186 | ===========
187 | - 从本版本开始,版本号从2.0.8 升级为2.9.0。
188 | - 自本版本开始,软件包上传到 https://pypi.originqc.com.cn, 使用 ``pip install pyvqnet --index-url https://pypi.originqc.com.cn`` 安装。
189 |
190 | [v2.0.8] - 2023-09-26
191 | ***************************
192 |
193 | Added
194 | ===========
195 | - 增加了现有接口支持complex128、complex64、double、float、uint8、int8、bool、int16、int32、int64等类型计算。
196 | - Linux版本支持gpu下的计算,需要cuda11.7版本cudatoolkit以及nvidia驱动。
197 | - 基于vqc的基础逻辑门: Hadamard、CNOT、I、RX、RY、PauliZ、PauliX、PauliY、S、RZ、RXX、RYY、RZZ、RZX、X1、Y1、Z1、U1、U2、U3、T、SWAP、P、TOFFOLI、CZ、CR。
198 | - 基于vqc的组合量子线路: VQC_HardwareEfficientAnsatz、VQC_BasicEntanglerTemplate、VQC_StronglyEntanglingTemplate、VQC_QuantumEmbedding、VQC_RotCircuit、VQC_CRotCircuit、VQC_CSWAPcircuit、VQC_Controlled_Hadamard、VQC_CCZ、VQC_FermionicSingleExcitation、VQC_FermionicDoubleExcitation、VQC_UCCSD、VQC_QuantumPoolingCircuit、VQC_BasisEmbedding、VQC_AngleEmbedding、VQC_AmplitudeEmbedding、VQC_IQPEmbedding。
199 | - 基于vqc的测量方法: VQC_Purity、VQC_VarMeasure、VQC_DensityMatrixFromQstate、Probability、MeasureAll。
200 |
201 |
202 | [v2.0.7] - 2023-07-03
203 | ***************************
204 |
205 | Added
206 | ===========
207 | - 经典神经网络,增加kron,gather,scatter,broadcast_to接口。
208 | - 增加对不同数据精度支持: 数据类型dtype支持kbool,kuint8,kint8,kint16,kint32,kint64,kfloat32,kfloat64,kcomplex64,kcomplex128.分别代表C++的 bool,uint8_t,int8_t,int16_t,int32_t,int64_t,float,double,complex,complex.
209 | - 支持python 3.8,3.9,3.10三个版本。
210 |
211 | Changed
212 | ===========
213 | - QTensor 以及Module类的init函数增加 `dtype` 参数。对QTensor索引、 部分神经网络层的输入进行了类型限制。
214 | - 量子神经网络,由于MacOS兼容性问题,去掉了Mnist_Dataset,CIFAR10_Dataset接口。
215 |
216 | [v2.0.6] - 2023-02-22
217 | ***************************
218 |
219 |
220 | Added
221 | ===========
222 |
223 | - 经典神经网络,增加接口: multinomial,pixel_shuffle,pixel_unshuffle,为QTensor增加numel,增加CPU动态内存池功能,为Parameter增加init_from_tensor接口。
224 | - 经典神经网络,增加接口: Dynamic_LSTM,Dynamic_RNN,Dynamic_GRU。
225 | - 经典神经网络,增加接口: pad_sequence,pad_packed_sequence,pack_pad_sequence。
226 | - 量子神经网络,增加接口: CCZ,Controlled_Hadamard,FermionicSingleExcitation,UCCSD,QuantumPoolingCircuit,
227 | - 量子神经网络,增加接口: Quantum_Embedding,Mnist_Dataset,CIFAR10_Dataset,grad,Purity。
228 | - 量子神经网络,增加示例: 基于梯度裁剪,quanvolution,量子线路表达力,贫瘠高原,量子强化学习QDRL。
229 |
230 | Changed
231 | ===========
232 |
233 | - API文档,重构内容结构,增加 `量子机器学习研究` 模块,将 `VQNet2ONNX模块` 改为 `其他函数` 。
234 |
235 |
236 |
237 | Fixed
238 | ===========
239 |
240 | - 经典神经网络,解决相同随机种子跨平台产生不同正态分布的问题。
241 | - 量子神经网络,实现expval,ProbMeasure,QuantumMeasure 对QPanda GPU虚拟机的支持。
242 |
243 |
244 | [v2.0.5] - 2022-12-25
245 | ***************************
246 |
247 |
248 | Added
249 | ===========
250 |
251 | - 经典神经网络,增加log_softmax实现,增加模型转ONNX的接口export_model函数。
252 | - 经典神经网络,支持当前已有的绝大多数经典神经网络模块转换为ONNX,详情参考API文档 “VQNet2ONNX模块”。
253 | - 量子神经网络,增加VarMeasure,MeasurePauliSum,Quantum_Embedding,SPSA等接口
254 | - 量子神经网络,增加LinearGNN,ConvGNN,ConvGNN,QMLP,量子自然梯度,量子随机parameter-shift算法,DoublySGD算法等。
255 |
256 |
257 | Changed
258 | ===========
259 |
260 | - 经典神经网络,为BN1d,BN2d接口增加维度检查。
261 |
262 | Fixed
263 | ===========
264 |
265 | - 解决maxpooling参数检查的bug。
266 | - 解决[::-1]的切片bug。
267 |
268 |
269 | [v2.0.4] - 2022-09-20
270 | ***************************
271 |
272 |
273 | Added
274 | ===========
275 |
276 | - 经典神经网络,增加LayernormNd实现,支持多维数据layernorm计算。
277 | - 经典神经网络,增加CrossEntropyLoss以及NLL_Loss损失函数计算接口,支持1维~N维输入。
278 | - 量子神经网络,增加常用线路模板: HardwareEfficientAnsatz,StronglyEntanglingTemplate,BasicEntanglerTemplate。
279 | - 量子神经网络,增加计算量子比特子系统互信息的Mutal_info接口、Von Neumann 熵VB_Entropy、密度矩阵DensityMatrixFromQstate。
280 | - 量子神经网络,增加量子感知器算法例子QuantumNeuron,增加量子傅里叶级数算法例子。
281 | - 量子神经网络,增加支持多进程加速运行量子线路的接口QuantumLayerMultiProcess。
282 |
283 | Changed
284 | ===========
285 |
286 | - 经典神经网络,支持组卷积参数group,空洞卷积dilation_rate,任意数值padding作为一维卷积Conv1d、二维卷积Conv2d、反卷积ConvT2d的参数。
287 | - 在相同维度的数据跳过广播操作,减少不必要运行逻辑。
288 |
289 | Fixed
290 | ===========
291 |
292 | - 解决stack函数在部分参数下计算错误的问题。
293 |
294 |
295 | [v2.0.3] - 2022-07-15
296 | ***************************
297 |
298 |
299 | Added
300 | ===========
301 |
302 | - 增加支持stack,双向的循环神经网络接口: RNN, LSTM, GRU
303 | - 增加常用计算性能指标的接口: MSE,RMSE, MAE, R_Square, precision_recall_f1_2_score, precision_recall_f1_Multi_scoreprecision_recall_f1_N_score, auc_calculate
304 | - 增加量子核SVM的算法示例
305 |
306 | Changed
307 | ===========
308 |
309 | - 加快QTensor数据过多时候的print速度
310 | - Windows和linux下使用openmp加速运算。
311 |
312 | Fixed
313 | ===========
314 |
315 | - 解决部分python import方式无法导入的问题
316 | - 解决批归一化BN层重复计算的问题
317 | - 解决QTensor.reshape,transpose接口无法计算梯度的bug
318 | - 为tensor.power接口增加入参形状判断
319 |
320 | [v2.0.2] - 2022-05-15
321 | ***************************
322 |
323 | Added
324 | ===========
325 |
326 | - 增加topK, argtoK
327 | - 增加cumsum
328 | - 增加masked_fill
329 | - 增加triu,tril
330 | - 增加QGAN生成随机分布的示例
331 |
332 | Changed
333 | ===========
334 |
335 | - 支持高级切片索引和普通切片索引
336 | - matmul支持3D,4D张量运算
337 | - 修改HardSigmoid函数实现
338 |
339 | Fixed
340 | ===========
341 |
342 | - 解决卷积,批归一化,反卷积,池化层等层没有缓存内部变量,导致一次前传后多次反传时计算梯度的问题
343 | - 修正QLinear层的实现和示例
344 | - 解决MAC在conda环境中导入VQNet时候 Image not load的问题。
345 |
346 |
347 |
348 |
349 | [v2.0.1] - 2022-03-30
350 | ***************************
351 |
352 |
353 | Added
354 | ===========
355 |
356 | - 增加基本数据结构QTensor接口100余个,包括创建函数,逻辑函数,数学函数,矩阵操作。
357 | - 增加基本神经网络网络函数14个,包括卷积,反卷积,池化等。
358 | - 增加损失函数4个,包括MSE,BCE,CCE,SCE等。
359 | - 增加激活函数10个,包括ReLu,Sigmoid,ELU等。
360 | - 增加优化器6个,包括SGD,RMSPROP,ADAM等。
361 | - 增加机器学习示例: QVC,QDRL,Q-KMEANS,QUnet,HQCNN,VSQL,量子自编码器。
362 | - 增加量子机器学习层: QuantumLayer,NoiseQuantumLayer。
--------------------------------------------------------------------------------
/source/rst/FAQ.rst:
--------------------------------------------------------------------------------
1 | 常见问题
2 | ================
3 |
4 | **问: VQNet有哪些特性**
5 |
6 | 答: VQNet是基于本源量子pyQPanda开发的量子机器学习工具集。VQNet提供了丰富、易用的经典神经网络计算模块接口,可以方便地进行机器学习的优化,
7 | 模型定义方式与主流机器学习框架一致,降低了用户学习成本。
8 | 同时,基于本源量子研发的高性能量子模拟器pyQPanda,VQNet在个人笔记本电脑上也能支持大数量量子比特的运算。
9 | 最后,VQNet还有丰富的 :doc:`./qml_demo` 供大家参考和学习。
10 |
11 | **问: 如何使用VQNet进行量子机器学习模型的训练**
12 |
13 | 答: 量子机器学习算法中有一类是基于量子变分线路构建可微的量子机器学习模型。
14 | VQNet可以使用梯度下降法对这类量子机器学习模型进行训练。一般步骤如下: 首先在本地计算机上,用户可以通过pyQPanda的 ``CPUQVM()`` 构建虚拟机,并结合VQNet中提供的接口构建量子、量子经典混合模型 ``Module`` ; 其次,调用 ``Module`` 的 ``forward()`` 可按用户定义的运行方式进行量子线路模拟以及经典神经网络前向运算;
15 | 当调用 ``Module`` 的 ``backward()`` 用户构建的模型可以像PyTorch等经典机器学习框架一样进行自动微分,计算量子变分线路以及经典计算层中的参数梯度;最后结合优化器的 ``step()`` 功能进行参数的优化。
16 |
17 | 在VQNet中,我们使用 `parameter-shift `_ 计算量子变分线路的梯度。用户可使用
18 | VQNet提供的 ``QuantumLayer`` 以及 ``QuantumLayerV2`` 类已经封装了量子变分线路的自动微分,用户仅需按一定格式定义量子变分线路作为参数构建以上类即可。
19 | 具体可参考本文档相关接口以及示例代码。
20 |
21 | **问: 在Windows中,安装VQNet遇到错误: “importError: DLL load failed while importing _core: 找不到指定的模块。”**
22 |
23 | 答: 用户在Windows上可能需要安装VC++ 运行时库。
24 | 可参考 https://learn.microsoft.com/en-us/cpp/windows/latest-supported-vc-redist?view=msvc-170 安装合适的运行库。
25 | 此外,VQNet当前仅支持python3.8, 3.9, 3.10 版本,故请确认你的python版本。
26 |
27 | **问: 如何调用本源量子云以及量子芯片进行计算**
28 |
29 | 答: 使用pyQPanda的云端资源,可以在量子线路模拟中使用高性能计算机集群或真实的量子计算机,用云计算的方式替代本地量子线路模拟。在VQNet中,若用户使用 ``QuantumLayerV2`` 构建变分量子线路模块,可使用pyQPanda的云服务接口 ``QCloud()`` 接口
30 | 代替本地全振幅模拟器 ``CPUQVM()``,测量函数也进行相应修改,具体参见 `QCloudServer `_ 。
31 | 若用户使用 ``QuantumLayer`` 构建变分量子线路模块,使用 `machine_type_or_cloud_token` 参数输入申请的QCloud token,该模块可内部构建一个云端虚拟机。
32 |
33 |
34 | **问: 为什么我定义的模型参数在训练时候不更新**
35 |
36 | 答: 构建VQNet的模型需要保证其中所使用的所有模块是可微分。当模型某个模块无法计算梯度,则会导致该模块以及之前的模块无法使用链式法则计算梯度。
37 | 若用户自定义一个量子变分线路,请使用VQNet提供的 ``QuantumLayer`` 以及 ``QuantumLayerV2`` 接口。对于经典机器学习模块,需要使用 :doc:`./QTensor` 以及 :doc:`./nn` 定义的接口,这些接口封装了梯度计算的函数,VQNet可以进行自动微分。
38 |
39 | 若用户想在 `Module` 中使用包含多个模块的列表作为子模块,请不要使用python自带的List,需要使用 pyvqnet.nn.module.ModuleList 代替 List。这样,子模块的训练参数可以被注册到整个模型中,可以进行自动微分训练。以下是例子:
40 |
41 | Example::
42 |
43 | from pyvqnet.tensor import *
44 | from pyvqnet.nn import Module,Linear,ModuleList
45 | from pyvqnet.qnn import ProbsMeasure,QuantumLayer
46 | import pyqpanda as pq
47 | def pqctest (input,param,qubits,cubits,m_machine):
48 | circuit = pq.QCircuit()
49 | circuit.insert(pq.H(qubits[0]))
50 | circuit.insert(pq.H(qubits[1]))
51 | circuit.insert(pq.H(qubits[2]))
52 | circuit.insert(pq.H(qubits[3]))
53 |
54 | circuit.insert(pq.RZ(qubits[0],input[0]))
55 | circuit.insert(pq.RZ(qubits[1],input[1]))
56 | circuit.insert(pq.RZ(qubits[2],input[2]))
57 | circuit.insert(pq.RZ(qubits[3],input[3]))
58 |
59 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
60 | circuit.insert(pq.RZ(qubits[1],param[0]))
61 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
62 |
63 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
64 | circuit.insert(pq.RZ(qubits[2],param[1]))
65 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
66 |
67 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
68 | circuit.insert(pq.RZ(qubits[3],param[2]))
69 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
70 | #print(circuit)
71 |
72 | prog = pq.QProg()
73 | prog.insert(circuit)
74 |
75 | rlt_prob = ProbsMeasure([0,2],prog,m_machine,qubits)
76 | return rlt_prob
77 |
78 |
79 | class M(Module):
80 | def __init__(self):
81 | super(M, self).__init__()
82 | #应该使用ModuleList构建
83 | self.pqc2 = ModuleList([QuantumLayer(pqctest,3,"cpu",4,1), Linear(4,1)
84 | ])
85 | #直接使用list 是无法保存pqc3中的参数的。
86 | #self.pqc3 = [QuantumLayer(pqctest,3,"cpu",4,1), Linear(4,1)
87 | #]
88 | def forward(self, x, *args, **kwargs):
89 | y = self.pqc2[0](x) + self.pqc2[1](x)
90 | return y
91 |
92 | mm = M()
93 | print(mm.state_dict().keys())
94 |
95 | **问: 为什么原先的代码在2.0.7及以后版本无法运行**
96 |
97 | 答: 自v2.0.7版本中,我们为QTensor增加了不同数据类型,dtype属性,并参照pytorch对输入进行了限制。例如: Emedding层输入需要为kint64,CategoricalCrossEntropy, SoftmaxCrossEntropy, NLL_Loss, CrossEntropyLoss 的标签需要为kint64。
98 | 你可以使用 `astype()` 接口进行类型转化为指定数据类型,或使用对应的数据类型numpy数组初始化QTensor。
99 |
--------------------------------------------------------------------------------
/source/rst/images/Barren_Plateau_mean.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/Barren_Plateau_mean.png
--------------------------------------------------------------------------------
/source/rst/images/Barren_Plateau_variance.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/Barren_Plateau_variance.png
--------------------------------------------------------------------------------
/source/rst/images/HQCNNAccuracy.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/HQCNNAccuracy.png
--------------------------------------------------------------------------------
/source/rst/images/HQCNNLOSS.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/HQCNNLOSS.png
--------------------------------------------------------------------------------
/source/rst/images/Kmeans.jpg:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/Kmeans.jpg
--------------------------------------------------------------------------------
/source/rst/images/QAE_Quantum_Cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/QAE_Quantum_Cir.png
--------------------------------------------------------------------------------
/source/rst/images/QMLP.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/QMLP.png
--------------------------------------------------------------------------------
/source/rst/images/QP-acc.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/QP-acc.png
--------------------------------------------------------------------------------
/source/rst/images/QP-cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/QP-cir.png
--------------------------------------------------------------------------------
/source/rst/images/QP-data.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/QP-data.png
--------------------------------------------------------------------------------
/source/rst/images/QP-pic.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/QP-pic.png
--------------------------------------------------------------------------------
/source/rst/images/QTransferLearning_cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/QTransferLearning_cir.png
--------------------------------------------------------------------------------
/source/rst/images/Qcnn_circuit.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/Qcnn_circuit.png
--------------------------------------------------------------------------------
/source/rst/images/Unet.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/Unet.png
--------------------------------------------------------------------------------
/source/rst/images/Unet_data_imshow.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/Unet_data_imshow.png
--------------------------------------------------------------------------------
/source/rst/images/VQC-SVM.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/VQC-SVM.png
--------------------------------------------------------------------------------
/source/rst/images/all_singles_doubles.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/all_singles_doubles.png
--------------------------------------------------------------------------------
/source/rst/images/classic-quantum.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/classic-quantum.PNG
--------------------------------------------------------------------------------
/source/rst/images/dropout_sin.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/dropout_sin.png
--------------------------------------------------------------------------------
/source/rst/images/dsgd.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/dsgd.png
--------------------------------------------------------------------------------
/source/rst/images/ep_1.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/ep_1.png
--------------------------------------------------------------------------------
/source/rst/images/ep_9.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/ep_9.png
--------------------------------------------------------------------------------
/source/rst/images/eval_test.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/eval_test.png
--------------------------------------------------------------------------------
/source/rst/images/express.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/express.png
--------------------------------------------------------------------------------
/source/rst/images/f1.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/f1.png
--------------------------------------------------------------------------------
/source/rst/images/f2.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/f2.png
--------------------------------------------------------------------------------
/source/rst/images/f3.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/f3.png
--------------------------------------------------------------------------------
/source/rst/images/final_quantum_circuit.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/final_quantum_circuit.png
--------------------------------------------------------------------------------
/source/rst/images/gbp_arch.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/gbp_arch.png
--------------------------------------------------------------------------------
/source/rst/images/haar-fidelity.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/haar-fidelity.png
--------------------------------------------------------------------------------
/source/rst/images/hqcnn_quantum_cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/hqcnn_quantum_cir.png
--------------------------------------------------------------------------------
/source/rst/images/hqcnn_train_loss.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/hqcnn_train_loss.png
--------------------------------------------------------------------------------
/source/rst/images/hqcnnarch.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/hqcnnarch.PNG
--------------------------------------------------------------------------------
/source/rst/images/hqcnnmodel.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/hqcnnmodel.PNG
--------------------------------------------------------------------------------
/source/rst/images/loss3d.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/loss3d.png
--------------------------------------------------------------------------------
/source/rst/images/maxcut.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/maxcut.png
--------------------------------------------------------------------------------
/source/rst/images/mnsit_data_examples.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/mnsit_data_examples.png
--------------------------------------------------------------------------------
/source/rst/images/mpi_bug.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/mpi_bug.png
--------------------------------------------------------------------------------
/source/rst/images/noise_1.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/noise_1.PNG
--------------------------------------------------------------------------------
/source/rst/images/noise_2.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/noise_2.PNG
--------------------------------------------------------------------------------
/source/rst/images/onnxsupport.csv:
--------------------------------------------------------------------------------
1 | operator,operator,operator
2 | ones,floor,nonzero
3 | ons_like,ceil,isfinite
4 | full,round,isinf
5 | full_like,sort,isnan
6 | zeros,argosrt,isneginf
7 | zeros_like,topK,isposinf
8 | arange,argtopK,logical_and
9 | linspace,add,logical_or
10 | logspace,sub,logical_not
11 | eye,mul,logical_xor
12 | randu,divide,greater
13 | randn,sums,greater_equal
14 | tiru,cumsum,less
15 | tril,mean,less_equal
16 | __getitem__,median,equal
17 | __setitem__,std,not_equal
18 | concatenate,var,Conv2D
19 | stack,matmul,Conv1D
20 | permute,reciprocal,ConvT2D
21 | transpose,sign,Linear
22 | tile,neg,Sigmoid
23 | squeeze,exp,Softplus
24 | unsqueeze,acos,Softsign
25 | swapaxis,asin,Softmax
26 | masked_fill,atan,HardSigmoid
27 | flatten,sin,ReLu
28 | reshape,cos,LeakyReLu
29 | flip,tan,ELU
30 | maximum,tanh,Tanh
31 | minimum,sinh,BatchNorm2d
32 | min,cosh,BatchNorm1d
33 | max,power,Dropout
34 | clip,abs,Embedding
35 | where,log,LayerNormNd
36 | ,sqrt,LayerNorm1d
37 | ,square,LayerNorm2d
38 | ,frobenius_norm,MaxPool1D
39 | ,log_softmax,MaxPool2D
40 | ,,AvgPool2D
41 | ,,AvgPool1D
42 | ,,GRU
43 | ,,LSTM
44 | ,,RNN
45 |
--------------------------------------------------------------------------------
/source/rst/images/origin_circle.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/origin_circle.png
--------------------------------------------------------------------------------
/source/rst/images/parallel_model.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/parallel_model.png
--------------------------------------------------------------------------------
/source/rst/images/parallel_model_circuit.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/parallel_model_circuit.png
--------------------------------------------------------------------------------
/source/rst/images/parallel_model_result.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/parallel_model_result.png
--------------------------------------------------------------------------------
/source/rst/images/parallel_model_result_no_train.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/parallel_model_result_no_train.png
--------------------------------------------------------------------------------
/source/rst/images/peft1.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/peft1.png
--------------------------------------------------------------------------------
/source/rst/images/pqccir1.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/pqccir1.png
--------------------------------------------------------------------------------
/source/rst/images/pqccir2.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/pqccir2.png
--------------------------------------------------------------------------------
/source/rst/images/pqcloss.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/pqcloss.png
--------------------------------------------------------------------------------
/source/rst/images/qae_train_loss.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qae_train_loss.png
--------------------------------------------------------------------------------
/source/rst/images/qaoa_demo.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qaoa_demo.png
--------------------------------------------------------------------------------
/source/rst/images/qcnn.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qcnn.png
--------------------------------------------------------------------------------
/source/rst/images/qcnn_cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qcnn_cir.png
--------------------------------------------------------------------------------
/source/rst/images/qcnn_structrue.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qcnn_structrue.png
--------------------------------------------------------------------------------
/source/rst/images/qcnn_transfer_learning_classical.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qcnn_transfer_learning_classical.png
--------------------------------------------------------------------------------
/source/rst/images/qcnn_transfer_learning_predict.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qcnn_transfer_learning_predict.png
--------------------------------------------------------------------------------
/source/rst/images/qcnn_vqnet.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qcnn_vqnet.png
--------------------------------------------------------------------------------
/source/rst/images/qcnn_vqnet_result.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qcnn_vqnet_result.png
--------------------------------------------------------------------------------
/source/rst/images/qdrl.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qdrl.png
--------------------------------------------------------------------------------
/source/rst/images/qdrl_accuracy.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qdrl_accuracy.png
--------------------------------------------------------------------------------
/source/rst/images/qdrl_for_simple.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qdrl_for_simple.png
--------------------------------------------------------------------------------
/source/rst/images/qgan-arch.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qgan-arch.PNG
--------------------------------------------------------------------------------
/source/rst/images/qgan-loss.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qgan-loss.png
--------------------------------------------------------------------------------
/source/rst/images/qgan-pdf.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qgan-pdf.png
--------------------------------------------------------------------------------
/source/rst/images/qiskit_eval_test.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qiskit_eval_test.png
--------------------------------------------------------------------------------
/source/rst/images/qiskit_hqcnn_train_loss.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qiskit_hqcnn_train_loss.png
--------------------------------------------------------------------------------
/source/rst/images/qlinear_cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qlinear_cir.png
--------------------------------------------------------------------------------
/source/rst/images/qng_all_cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qng_all_cir.png
--------------------------------------------------------------------------------
/source/rst/images/qng_subcir1.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qng_subcir1.png
--------------------------------------------------------------------------------
/source/rst/images/qng_subcir2.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qng_subcir2.png
--------------------------------------------------------------------------------
/source/rst/images/qng_vs_sgd.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qng_vs_sgd.png
--------------------------------------------------------------------------------
/source/rst/images/qsvd.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qsvd.png
--------------------------------------------------------------------------------
/source/rst/images/qsvd_algorithm.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qsvd_algorithm.png
--------------------------------------------------------------------------------
/source/rst/images/qsvm-arch.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qsvm-arch.png
--------------------------------------------------------------------------------
/source/rst/images/qsvm-kernel.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qsvm-kernel.png
--------------------------------------------------------------------------------
/source/rst/images/quanvo.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/quanvo.png
--------------------------------------------------------------------------------
/source/rst/images/qunet_cir.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qunet_cir.png
--------------------------------------------------------------------------------
/source/rst/images/qunet_eval_1.jpg:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qunet_eval_1.jpg
--------------------------------------------------------------------------------
/source/rst/images/qunet_eval_2.jpg:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qunet_eval_2.jpg
--------------------------------------------------------------------------------
/source/rst/images/qunet_eval_3.jpg:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qunet_eval_3.jpg
--------------------------------------------------------------------------------
/source/rst/images/qunet_quantum.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qunet_quantum.png
--------------------------------------------------------------------------------
/source/rst/images/qunet_train_loss.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qunet_train_loss.png
--------------------------------------------------------------------------------
/source/rst/images/qvc_accuracy.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qvc_accuracy.png
--------------------------------------------------------------------------------
/source/rst/images/qvc_circuit.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/qvc_circuit.png
--------------------------------------------------------------------------------
/source/rst/images/resnet_onnx.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/resnet_onnx.png
--------------------------------------------------------------------------------
/source/rst/images/result_QDRL.gif:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/result_QDRL.gif
--------------------------------------------------------------------------------
/source/rst/images/result_qcnn_small.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/result_qcnn_small.png
--------------------------------------------------------------------------------
/source/rst/images/rotosolve.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/rotosolve.png
--------------------------------------------------------------------------------
/source/rst/images/same_apis_from_vqc.csv:
--------------------------------------------------------------------------------
1 | i,u3,phaseshift
2 | hadamard,cy,multirz
3 | t,cnot,sdg
4 | s,cr,tdg
5 | paulix,swap,controlledphaseshift
6 | pauliy,cswap,multicontrolledx
7 | pauliz,iswap,single_excitation
8 | x1,cz,double_excitation
9 | rx,rxx,vqc_to_originir_list
10 | ry,ryy,originir_to_vqc
11 | rz,rzz,model_summary
12 | crx,rzx,wrapper_single_qubit_op_fuse
13 | cry,toffoli,wrapper_commute_controlled
14 | crz,isingxx,wrapper_merge_rotations
15 | p,isingyy,wrapper_compile
16 | u1,isingzz,
17 | u2,isingxy,
18 |
--------------------------------------------------------------------------------
/source/rst/images/single_qubit_model.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/single_qubit_model.png
--------------------------------------------------------------------------------
/source/rst/images/single_qubit_model_circuit.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/single_qubit_model_circuit.png
--------------------------------------------------------------------------------
/source/rst/images/single_qubit_model_result.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/single_qubit_model_result.png
--------------------------------------------------------------------------------
/source/rst/images/single_qubit_model_result_no_train.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/single_qubit_model_result_no_train.png
--------------------------------------------------------------------------------
/source/rst/images/stochastic_parameter-shift.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/stochastic_parameter-shift.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_0.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_0.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_1.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_1.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_2.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_2.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_3.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_3.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_4.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_4.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_5.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_5.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_6.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_6.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_7.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_7.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_8.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_8.png
--------------------------------------------------------------------------------
/source/rst/images/vsql_cacc.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_cacc.PNG
--------------------------------------------------------------------------------
/source/rst/images/vsql_closs.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_closs.PNG
--------------------------------------------------------------------------------
/source/rst/images/vsql_model.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_model.PNG
--------------------------------------------------------------------------------
/source/rst/images/vsql_qacc.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_qacc.PNG
--------------------------------------------------------------------------------
/source/rst/images/vsql_qloss.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/OriginQ/VQNET2.0-tutorial/5bd71297d8bf86891e9dca6d32495d91f95b2414/source/rst/images/vsql_qloss.PNG
--------------------------------------------------------------------------------
/source/rst/install.rst:
--------------------------------------------------------------------------------
1 | VQNet 安装步骤
2 | ==================================
3 |
4 | VQNet python包安装
5 | ----------------------------------
6 |
7 | 我们提供了Linux, Windows, x86_64 OSX >=10.12, arm64 OSX>=13.0 上的python预编译包供安装,需要 **python3.9, 3.10, 3.11** 。
8 |
9 | 对于Linux系统,pyvqnet提供了基于Nvidia GPU对经典神经网络计算加速功能,当您的电脑的GPU是GTX10系列及其以后的型号,可使用pyvqnet的GPU功能运行模型。
10 |
11 | .. code-block::
12 |
13 | pip install pyvqnet
14 |
15 | 或者:
16 |
17 | .. code-block::
18 |
19 | pip install pyvqnet --index-url https://pypi.originqc.com.cn
20 |
21 | 如果您遇到网络问题导致无法下载,可尝试增加timeout。
22 |
23 | .. code-block::
24 |
25 | pip install pyvqnet --index-url https://pypi.originqc.com.cn --default-timeout=100
26 |
27 | VQNet 测试安装成功
28 | ----------------------------------
29 |
30 | .. code-block::
31 |
32 | import pyvqnet
33 | from pyvqnet.tensor import *
34 | a = arange(1,25).reshape([2, 3, 4])
35 | print(a)
36 |
37 | VQNet 测试GPU功能
38 | ----------------------------------
39 |
40 | .. code-block::
41 |
42 | from pyvqnet import DEV_GPU_0
43 | from pyvqnet.tensor import *
44 | a = ones([4,5],device = DEV_GPU_0)
45 | print(a)
46 |
47 | VQNet 的一个简单例子
48 | ---------------------
49 |
50 | 这里使用VQNet的经典神经网络模块以及量子模块完成一个机器学习模型的整体流程的例子介绍。该例子参考 `Data re-uploading for a universal quantum classifier `_
51 | 。
52 | 量子机器学习中的量子计算模块一般有如下几个部分:
53 |
54 | (1)编码线路(Encoder),用于将经典数据编码到量子数据;
55 | (2)可变参数的量子线路(Ansatz),用于训练带参量子门中的参数;
56 | (3)测量模块(Measurement),用于检测测量值(也就是某个量子比特的量子态在某些轴上的投影)。
57 |
58 | 量子计算模块与经典神经网络的运算模块一样是可微分的,是量子经典神经网络混合模型的理论基础。
59 | VQNet支持将量子计算模块与经典计算模块(例如: 卷积,池化,全连接层,激活函数等)一起构成混合机器学习模型,提供多种优化算法优化参数。
60 |
61 | .. figure:: ./images/classic-quantum.PNG
62 |
63 | 在量子计算模块,VQNet支持使用本源量子高效的量子软件计算包 `pyqpanda `_ 进行量子模块构建。
64 | 使用pyQPanda提供的各种常用 `量子逻辑门函数接口 `_ , `量子线路接口 `_ , `量子虚拟机函数接口 `_ , `测量函数接口 `_,用户可以快速构建量子计算模块。
65 |
66 | 接下来的例子我们使用pyQPanda构建了一个量子计算模块。通过VQNet,该量子计算模块可以直接嵌入到混合机器学习模型中进行量子线路参数训练。
67 | 本例使用1个量子比特,使用了多个带参数的旋转门 `RZ`,`RY`,`RZ` 对输入x进行编码,并使用 `prob_run_dict()` 函数观测量子比特的概率测量结果作为输出。
68 |
69 | .. code-block::
70 |
71 | import pyqpanda as pq
72 | def qdrl_circuit(input,weights,qlist,clist,machine):
73 |
74 | x1 = input.squeeze()
75 | param1 = weights.squeeze()
76 | #使用pyqpanda接口构建量子线路实例
77 | circult = pq.QCircuit()
78 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位x1[0]
79 | circult.insert(pq.RZ(qlist[0], x1[0]))
80 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RY门,参数位x1[1]
81 | circult.insert(pq.RY(qlist[0], x1[1]))
82 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位x1[2]
83 | circult.insert(pq.RZ(qlist[0], x1[2]))
84 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位param1[0]
85 | circult.insert(pq.RZ(qlist[0], param1[0]))
86 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RY门,参数位param1[1]
87 | circult.insert(pq.RY(qlist[0], param1[1]))
88 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位param1[2]
89 | circult.insert(pq.RZ(qlist[0], param1[2]))
90 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位x1[0]
91 | circult.insert(pq.RZ(qlist[0], x1[0]))
92 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RY门,参数位x1[1]
93 | circult.insert(pq.RY(qlist[0], x1[1]))
94 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位x1[2]
95 | circult.insert(pq.RZ(qlist[0], x1[2]))
96 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位param1[3]
97 | circult.insert(pq.RZ(qlist[0], param1[3]))
98 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RY门,参数位param1[4]
99 | circult.insert(pq.RY(qlist[0], param1[4]))
100 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位param1[5]
101 | circult.insert(pq.RZ(qlist[0], param1[5]))
102 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位x1[0]
103 | circult.insert(pq.RZ(qlist[0], x1[0]))
104 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RY门,参数位x1[1]
105 | circult.insert(pq.RY(qlist[0], x1[1]))
106 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位x1[2]
107 | circult.insert(pq.RZ(qlist[0], x1[2]))
108 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位param1[6]
109 | circult.insert(pq.RZ(qlist[0], param1[6]))
110 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RY门,参数位param1[7]
111 | circult.insert(pq.RY(qlist[0], param1[7]))
112 | #使用pyqpanda接口在第一个量子比特上插入逻辑门RZ门,参数位param1[8]
113 | circult.insert(pq.RZ(qlist[0], param1[8]))
114 | #构建量子程序
115 | prog = pq.QProg()
116 | prog.insert(circult)
117 | #获取概率测量值
118 | prob = machine.prob_run_dict(prog, qlist, -1)
119 | prob = list(prob.values())
120 | return prob
121 |
122 | 本例子中机器学习的任务是对随机生成的数据根据进行二分类,其中下图是该数据样例,零为圆点,半径为1以内红色的二维点为一类,蓝色的点为另一类。
123 |
124 | .. figure:: ./images/origin_circle.png
125 |
126 | 训练测试代码流程
127 |
128 | .. code-block::
129 |
130 | #导入必须的库和函数
131 | from pyvqnet.qnn.qdrl.vqnet_model import qdrl_circuit
132 | from pyvqnet.qnn.quantumlayer import QuantumLayer
133 | from pyvqnet.optim import adam
134 | from pyvqnet.nn.loss import CategoricalCrossEntropy
135 | from pyvqnet.tensor import QTensor
136 | import numpy as np
137 | from pyvqnet.nn.module import Module
138 |
139 |
140 | 定义模型Model,其中 `__init__` 函数定义内部各个神经网络模块以及量子模块,`forward` 函数定义前传函数。`QuantumLayer` 为封装量子计算的抽象类。
141 | 您只需将刚才定义的量子计算函数 `qdrl_circuit`,待训练参数个数 `param_num` ,运行后端配置 `"cpu"` , 量子比特数 `qbit_num` 输入参数,该类就在 `VQNet` 中自动计算参数梯度。
142 |
143 | .. code-block::
144 |
145 | #待训练参数个数
146 | param_num = 9
147 | #量子计算模块量子比特数
148 | qbit_num = 1
149 | #定义一个继承于Module的机器学习模型类
150 | class Model(Module):
151 | def __init__(self):
152 | super(Model, self).__init__()
153 | #使用QuantumLayer类,可以把带训练参数的量子线路纳入VQNet的自动微分的训练流程中
154 | self.pqc = QuantumLayer(qdrl_circuit,param_num,"cpu",qbit_num)
155 | #定义模型前向函数
156 | def forward(self, x):
157 | x = self.pqc(x)
158 | return x
159 |
160 | 定义一些训练模型需要的函数
161 |
162 | .. code-block::
163 |
164 | # 随机产生待训练数据的函数
165 | def circle(samples:int, rads = np.sqrt(2/np.pi)) :
166 | data_x, data_y = [], []
167 | for i in range(samples):
168 | x = 2*np.random.rand(2) - 1
169 | y = [0,1]
170 | if np.linalg.norm(x) < rads:
171 | y = [1,0]
172 | data_x.append(x)
173 | data_y.append(y)
174 | return np.array(data_x,dtype=np.float32), np.array(data_y,np.int64)
175 |
176 | # 数据载入函数
177 | def get_minibatch_data(x_data, label, batch_size):
178 | for i in range(0,x_data.shape[0]-batch_size+1,batch_size):
179 | idxs = slice(i, i + batch_size)
180 | yield x_data[idxs], label[idxs]
181 |
182 | #计算准确率的函数
183 | def get_score(pred, label):
184 | pred, label = np.array(pred.data), np.array(label.data)
185 | pred = np.argmax(pred,axis=1)
186 | score = np.argmax(label,1)
187 | score = np.sum(pred == score)
188 | return score
189 |
190 | VQNet遵循机器学习一般的训练测试流程: 迭代进行载入数据,前传计算,损失函数计算,反向计算,更新参数的操作。
191 |
192 | .. code-block::
193 |
194 | #实例化定义的模型
195 | model = Model()
196 | #定义一个优化器,这里用的是Adam
197 | optimizer = adam.Adam(model.parameters(),lr =0.6)
198 | #定义一个损失函数,这里用的交叉熵损失函数
199 | Closs = CategoricalCrossEntropy()
200 |
201 | 训练模型部分的函数
202 |
203 | .. code-block::
204 |
205 | def train():
206 |
207 | # 随机产生待训练数据
208 | x_train, y_train = circle(500)
209 | x_train = np.hstack((x_train, np.zeros((x_train.shape[0], 1),dtype=np.float32)))
210 | # 定义每个批次训练的数据个数
211 | batch_size = 32
212 | # 最大训练迭代次数
213 | epoch = 10
214 | print("start training...........")
215 | for i in range(epoch):
216 | model.train()
217 | accuracy = 0
218 | count = 0
219 | loss = 0
220 | for data, label in get_minibatch_data(x_train, y_train,batch_size):
221 | # 优化器中缓存梯度清零
222 | optimizer.zero_grad()
223 | # 模型前向计算
224 | output = model(data)
225 | # 损失函数计算
226 | losss = Closs(label, output)
227 | # 损失反向传播
228 | losss.backward()
229 | # 优化器参数更新
230 | optimizer._step()
231 | # 计算准确率等指标
232 | accuracy += get_score(output,label)
233 |
234 | loss += losss.item()
235 | count += batch_size
236 |
237 | print(f"epoch:{i}, train_accuracy:{accuracy/count}")
238 | print(f"epoch:{i}, train_loss:{loss/count}\n")
239 |
240 | 验证模型部分的函数
241 |
242 | .. code-block::
243 |
244 | def test():
245 |
246 | batch_size = 1
247 | model.eval()
248 | print("start eval...................")
249 | xtest, y_test = circle(500)
250 | test_accuracy = 0
251 | count = 0
252 | x_test = np.hstack((xtest, np.zeros((xtest.shape[0], 1),dtype=np.float32)))
253 |
254 | for test_data, test_label in get_minibatch_data(x_test,y_test, batch_size):
255 |
256 | test_data, test_label = QTensor(test_data),QTensor(test_label)
257 | output = model(test_data)
258 | test_accuracy += get_score(output, test_label)
259 | count += batch_size
260 |
261 | print(f"test_accuracy:{test_accuracy/count}")
262 |
263 | 训练测试结果图:
264 |
265 | .. code-block::
266 |
267 | start training...........
268 | epoch:0, train_accuracy:0.6145833333333334
269 | epoch:0, train_loss:0.020432369535168013
270 |
271 | epoch:1, train_accuracy:0.6854166666666667
272 | epoch:1, train_loss:0.01872217481335004
273 |
274 | epoch:2, train_accuracy:0.8104166666666667
275 | epoch:2, train_loss:0.016634768371780715
276 |
277 | epoch:3, train_accuracy:0.7479166666666667
278 | epoch:3, train_loss:0.016975031544764835
279 |
280 | epoch:4, train_accuracy:0.7875
281 | epoch:4, train_loss:0.016502128106852372
282 |
283 | epoch:5, train_accuracy:0.8083333333333333
284 | epoch:5, train_loss:0.0163204787299037
285 |
286 | epoch:6, train_accuracy:0.8083333333333333
287 | epoch:6, train_loss:0.01634311651190122
288 |
289 | epoch:7, train_loss:0.016330583145221074
290 |
291 | epoch:8, train_accuracy:0.8125
292 | epoch:8, train_loss:0.01629052646458149
293 |
294 | epoch:9, train_accuracy:0.8083333333333333
295 | epoch:9, train_loss:0.016270687493185203
296 |
297 | start eval...................
298 | test_accuracy:0.826
299 |
300 | .. figure:: ./images/qdrl_for_simple.png
301 |
302 |
303 |
304 |
305 |
306 |
307 |
308 |
--------------------------------------------------------------------------------
/source/rst/llm.rst:
--------------------------------------------------------------------------------
1 | .. _llm:
2 |
3 | 量子大模型微调示例
4 | ***********************************
5 |
6 | 近些年随着大模型的普及,以及大模型规模的逐渐增加,导致训练大规模的量子机器学习模型会导致训练成本显著增加,为了减少大模型在微调过程中所需要的训练资源,
7 | 一些大模型微调方法被提出,不再对大模型全参数进行微调,而是通过提出的微调方法对少量的参数进行训练,从而使大模型在下游任务中依旧能取得不弱于全参数微调的效果,
8 | 而基于量子线路来进行微调的方式尚未得到普及。
9 |
10 | ``VQNet`` 通过与 ``Llama factory``, ``peft`` 结合, 实现基于量子线路来进行大模型微调任务。
11 |
12 | 量子大模型微调依赖包安装
13 | -------------------------
14 |
15 | 该模块介绍在使用量子线路用于大模型微调中, 如何去对所需依赖包进行安装。
16 |
17 |
18 | 使用量子大模型微调, 主要需要 ``quantum-llm`` 和 ``pyvqnet`` 两个包即可, ``pyvqnet`` 版本要求 ``2.15.0`` 或者以上即可。
19 |
20 |
21 | 首先介绍 ``quantum-llm`` 库的安装
22 |
23 | .. code-block::
24 |
25 | git clone https://gitee.com/craftsman_lei/quantum-llm.git
26 |
27 |
28 | 随后根据 ``quantum-llm`` 中 ``README.md`` 文档中内容完成其他依赖库以及文件安装
29 |
30 | .. code-block::
31 |
32 | # 下载其他依赖库
33 | pip install -r requirements.txt
34 |
35 | # 安装peft_vqc
36 | cd peft_vqc && pip install -e .
37 |
38 | 完成 ``quantum-llm`` 库以及依赖库安装后,则对 ``pyvqnet`` 进行安装
39 |
40 | .. code-block::
41 |
42 | # 安装VQNet
43 | pip install pyvqnet # pyvqnet>=2.15.0
44 |
45 |
46 | 量子大模型微调训练步骤
47 | -------------------------
48 |
49 | 完成需求包安装后, 可以参考文件目录 ``/quantum-llm/examples/qlora_single_gpu/`` 下 ``train.sh`` 等脚本, 根据脚本指定训练基准模型,微调模块选择,微调模块输出路径等参数.
50 |
51 | 下载 Qwen2.5-0.5B 模型可在网址 https://huggingface.co/Qwen/Qwen2.5-0.5B?clone=true 上下载, 其他模型一样, 若无法下载,则可以针对网址上文件单一进行下载后使用:
52 |
53 | .. code-block::
54 |
55 | # 下载Qwen2.5-0.5B
56 | git clone https://huggingface.co/Qwen/Qwen2.5-0.5B
57 |
58 |
59 | ``train.sh`` 脚本样例如下,确定基准模型、数据集、输出的路径等参数信息, 其中 ``model_name_or_path`` 放入指定模型,如果不能访问,则自行下载基准模型后,放入基准模型的绝对路径。
60 |
61 | .. note::
62 | ``train.sh`` ``eval.sh`` ``cli.sh`` 等脚本文件均在 ``/quantum-llm/examples/qlora_single_gpu/`` 目录下执行
63 |
64 | .. code-block::
65 |
66 | #!/bin/bash
67 |
68 | CUDA_VISIBLE_DEVICES=1 python ../../src/train_bash.py \
69 | --stage sft \
70 | --model_name_or_path /下载路径/Qwen2.5-0.5B/ \
71 | --dataset alpaca_gpt4_en \
72 | --tokenized_path ../../data/tokenized/alpaca_gpt4_en/ \
73 | --dataset_dir ../../data \
74 | --template qwen \
75 | --finetuning_type vqc \
76 | --lora_target q_proj,v_proj \
77 | --output_dir ../../saves/Qwen2.5-0.5B/vqc/alpaca_gpt4_en \
78 | --overwrite_cache \
79 | --overwrite_output_dir \
80 | --cutoff_len 1024 \
81 | --preprocessing_num_workers 16 \
82 | --per_device_train_batch_size 1 \
83 | --per_device_eval_batch_size 1 \
84 | --gradient_accumulation_steps 8 \
85 | --lr_scheduler_type cosine \
86 | --logging_steps 10 \
87 | --warmup_steps 20 \
88 | --save_steps 100 \
89 | --eval_steps 100 \
90 | --evaluation_strategy steps \
91 | --load_best_model_at_end \
92 | --learning_rate 5e-5 \
93 | --num_train_epochs 3.0 \
94 | --max_samples 1000 \
95 | --val_size 0.1 \
96 | --plot_loss \
97 | --fp16 \
98 | --do-train \
99 |
100 | # 在命令行执行
101 | sh train.sh
102 |
103 | 在量子大模型微调模块中, 相较经典的大模型微调模块, 添加了三种额外的微调方式, 分别为:
104 |
105 | ``vqc`` : 基于VQNet实现的vqc微调模块
106 |
107 | ``quanTA`` : 量子张量分解模块
108 |
109 | ``tq`` : 基于torch quantum实现的vqc模块
110 |
111 | 上述的 ``train.sh`` 样例中是 ``vqc`` 模块微调的脚本样例, 若使用另外两种微调模块则将 ``finetuning_type`` 改为 ``quanTA`` , ``tq`` 即可,将三个模块实验结果记录并绘图, 结果如下:
112 |
113 | .. image:: ./images/peft1.png
114 | :width: 600 px
115 | :align: center
116 |
117 | |
118 |
119 | 上图则是基于 ``Qwen2.5-0.5B`` 基准模型在数据集 ``alpaca_gpt4_en`` 下的训练结果, 其中, 可以观察到, 基于VQNet的 ``vqc`` 模块取得了最好的损失收敛效果,以此证明了基于量子线路来做大模型微调任务的有效性。
120 |
121 |
122 | 通过 ``train.sh`` 训练脚本,可以将微调训练后的模块参数通过 ``--output_dir`` 参数保存到指定目录下,
123 | 随后通过同样目录 ``/quantum-llm/examples/qlora_single_gpu/`` 下的 ``eval.sh`` 脚本进行评估, 脚本内容如下:
124 |
125 | .. code-block::
126 |
127 | #!/bin/bash
128 |
129 | CUDA_VISIBLE_DEVICES=1 python ../../src/evaluate.py \
130 | --model_name_or_path /下载路径/Qwen2.5-0.5B/ \
131 | --template qwen \
132 | --finetuning_type vqc \
133 | --task cmmlu \
134 | --task_dir ../../evaluation/ \
135 | --adapter_name_or_path ../../saves/Qwen2.5-0.5B/vqc/alpaca_gpt4_en \
136 |
137 | # 在命令行执行
138 | sh eval.sh
139 |
140 | 通过 ``--model_name_or_path`` 指定基准模型路径, 以及根据 ``--adapter_name_or_path`` 加载已经训练好的模块来在相关任务上进行评估, ``--task`` 参数可取 ``cmmlu`` ``ceval`` ``mmlu`` 进行评估。
141 |
142 | 随后通过调用 ``cli_demo.py`` 文件来进行问答,同样根据当前目录下的 ``cli.sh`` 脚本执行,脚本内容如下:
143 |
144 | .. code-block::
145 |
146 | #!/bin/bash
147 |
148 | CUDA_VISIBLE_DEVICES=1 python ../../src/cli_demo.py \
149 | --model_name_or_path /下载路径/Qwen2.5-0.5B/ \
150 | --template qwen \
151 | --finetuning_type vqc \
152 | --adapter_name_or_path ../../saves/Qwen2.5-0.5B/vqc/alpaca_gpt4_en \
153 | --max_new_tokens 1024
154 |
155 |
156 | # 在命令行执行
157 | sh cli.sh
158 |
159 | 更多相关参数具体介绍
160 | -------------------------
161 |
162 | ============================== ===================================================================
163 | 微调模块参数介绍
164 | ------------------------------------------------------------------------------------------------------
165 | 参数名 详细介绍
166 | ============================== ===================================================================
167 | stage 确定大模型训练模式, pt为预训练, sft为微调阶段, 实验为sft.
168 | model_name_or_path 选择基准模型的路径.
169 | dataset 选择数据集, 如identity, alpaca_gpt4_zh等.
170 | tokenized_path 选择数据集tokenized路径.
171 | dataset_dir 选择数据集路径.
172 | template 模型模板类型, 如llama3等.
173 | finetuning_type 指定微调方法, 如lora, tq, vqc, quanTA.
174 | lora_target 作用模块为q_proj,v_proj
175 | output_dir 微调模块保存路径
176 | overwrite_cache 是否覆盖缓存的训练集和评估集
177 | overwrite_output_dir 是否覆盖输出目录中已存在的文件
178 | cutoff_len 指定处理数据时的截断长度
179 | preprocessing_num_workers 指定预处理数据时使用的工作进程数量
180 | per_device_train_batch_size 每个gpu的批处理大小, 训练参数
181 | per_device_eval_batch_size 评估时批次,训练参数
182 | gradient_accumulation_steps 梯度累计的步数,训练参数
183 | lr_scheduler_type 学习率调度器,训练参数
184 | logging_steps 打印间隔
185 | warmup_steps 预热步数
186 | save_steps 模型保存间隔
187 | eval_steps 评估保存间隔
188 | evaluation_strategy 评估策略,这里设置为按步骤评估
189 | load_best_model_at_end 训练结束时加载表现最好的模型
190 | learning_rate 学习率,训练参数
191 | num_train_epochs 需要执行的训练轮数,训练参数
192 | max_samples 训练最大样本数
193 | val_size 验证集大小
194 | plot_loss 是否保存训练损失曲线
195 | fp16 是否使用fp16混合精度训练, 在vqc模块使用float32
196 | do-train 是否指定是训练任务
197 | adapter_name_or_path 选择训练结束后生成文件路径
198 | task 选择任务, 目前支持ceval, cmmlu, mmlu
199 | task_dir 指定任务路径
200 | q_d 指定quanTA模块的张量分解数量, 默认为4
201 | per_dim_features 指定quanTA模块的张量分解特征数, 默认为[16,8,4,2]
202 | ============================== ===================================================================
203 |
--------------------------------------------------------------------------------
/source/rst/qnn.rst:
--------------------------------------------------------------------------------
1 | 使用pyqpanda2量子机器学习模块
2 | #################################
3 |
4 | .. warning::
5 |
6 | 以下接口的量子计算部分使用pyqpanda2 https://pyqpanda-toturial.readthedocs.io/zh/latest/。
7 |
8 | 由于pyqpanda2以及pyqpanda3兼容性问题,您需要自行安装pyqpnda2, `pip install pyqpanda`
9 |
10 | 量子计算层
11 | ***********************************
12 |
13 | .. _QuantumLayer:
14 |
15 | QuantumLayer
16 | ============================
17 |
18 | QuantumLayer是一个支持量子含参线路作为参数的自动求导模块的封装类。用户定义一个函数作为参数 ``qprog_with_measure`` ,该函数需要包含pyqpanda2定义的量子线路:一般包含量子线路的编码线路,演化线路和测量操作。
19 | 该类可以嵌入量子经典混合机器学习模型,通过经典的梯度下降法,使得量子经典混合模型的目标函数或损失函数最小。
20 | 用户可通过参数 ``diff_method`` 指定 ``QuantumLayer`` 层中量子线路参数的梯度计算方式,``QuantumLayer`` 当前支持有限差分法 ``finite_diff`` 以及 ``parameter-shift`` 方法。
21 |
22 | 有限差分法是估算函数梯度最传统和最常用的数值方法之一。主要思想是用差分代替偏导数:
23 |
24 | .. math::
25 |
26 | f^{\prime}(x)=\lim _{h \rightarrow 0} \frac{f(x+h)-f(x)}{h}
27 |
28 |
29 | 若使用 ``parameter-shift`` 方法,我们使用如下目标函数:
30 |
31 | .. math:: O(\theta)=\left\langle 0\left|U^{\dagger}(\theta) H U(\theta)\right| 0\right\rangle
32 |
33 | 理论上可以通过 ``parameter-shift`` 这一更精确的方法计算量子线路中参数对哈密顿量的梯度:
34 |
35 | .. math::
36 |
37 | \nabla O(\theta)=
38 | \frac{1}{2}\left[O\left(\theta+\frac{\pi}{2}\right)-O\left(\theta-\frac{\pi}{2}\right)\right]
39 |
40 | .. py:class:: pyvqnet.qnn.quantumlayer.QuantumLayer(qprog_with_measure,para_num,machine_type_or_cloud_token,num_of_qubits:int,num_of_cbits:int = 1,diff_method:str = "parameter_shift",delta:float = 0.01,dtype=None,name="")
41 |
42 | 变分量子层的抽象计算模块。对一个参数化的量子线路进行仿真,得到测量结果。该变分量子层继承了VQNet框架的梯度计算模块,可以计算线路参数的梯度,训练变分量子线路模型或将变分量子线路嵌入混合量子和经典模型。
43 |
44 | :param qprog_with_measure: 用pyqpanda2构建的量子线路运行和测量函数。
45 | :param para_num: `int` - 参数个数。
46 | :param machine_type_or_cloud_token: qpanda量子虚拟机类型或pyqpanda2 量子云令牌 : https://pyqpanda-toturial.readthedocs.io/zh/latest/Realchip.html。
47 | :param num_of_qubits: 量子比特数。
48 | :param num_of_cbits: 经典比特数,默认为1。
49 | :param diff_method: 求解量子线路参数梯度的方法,“参数位移”或“有限差分”,默认参数偏移。
50 | :param delta: 有限差分计算梯度时的 \delta。
51 | :param dtype: 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
52 | :param name: 这个模块的名字, 默认为""。
53 |
54 | :return: 一个可以计算量子线路的模块。
55 |
56 | .. note::
57 | qprog_with_measure是pyqpanda2中定义的量子线路函数 :https://pyqpanda-toturial.readthedocs.io/zh/latest/QCircuit.html。
58 |
59 | 此函数必须包含以下参数作为函数入参(即使某个参数未实际使用),否则无法在QuantumLayer中正常运行。
60 |
61 | qprog_with_measure (input,param,qubits,cbits,machine)
62 |
63 | `input`: 输入一维经典数据。如果没有输入可以输入 None。
64 |
65 | `param`: 输入一维的变分量子线路的待训练参数。
66 |
67 | `qubits`: 该QuantumLayer分配的量子比特,类型为pyQpanda.Qubits。
68 |
69 | `cbits`: 由QuantumLayer分配的经典比特,用来辅助测量函数,类型为 pyQpanda.ClassicalCondition。如果线路不使用cbits,也应保留此参数。
70 |
71 | `machine`: 由QuantumLayer创建的模拟器,例如CPUQVM,GPUQVM,QCloud等。
72 |
73 | 使用QuantumLayer的 `m_para` 属性获取变分量子线路的训练参数。该参数为QTensor类,可使用to_numpy()接口转化为numpy数组。
74 |
75 | .. note::
76 |
77 | 该类具有别名 `QpandaQCircuitVQCLayer` 。
78 |
79 | Example::
80 |
81 | import pyqpanda as pq
82 | from pyvqnet.qnn.measure import ProbsMeasure
83 | from pyvqnet.qnn.quantumlayer import QuantumLayer
84 | import numpy as np
85 | from pyvqnet.tensor import QTensor
86 | def pqctest (input,param,qubits,cbits,machine):
87 | circuit = pq.QCircuit()
88 | circuit.insert(pq.H(qubits[0]))
89 | circuit.insert(pq.H(qubits[1]))
90 | circuit.insert(pq.H(qubits[2]))
91 | circuit.insert(pq.H(qubits[3]))
92 |
93 | circuit.insert(pq.RZ(qubits[0],input[0]))
94 | circuit.insert(pq.RZ(qubits[1],input[1]))
95 | circuit.insert(pq.RZ(qubits[2],input[2]))
96 | circuit.insert(pq.RZ(qubits[3],input[3]))
97 |
98 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
99 | circuit.insert(pq.RZ(qubits[1],param[0]))
100 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
101 |
102 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
103 | circuit.insert(pq.RZ(qubits[2],param[1]))
104 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
105 |
106 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
107 | circuit.insert(pq.RZ(qubits[3],param[2]))
108 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
109 |
110 | prog = pq.QProg()
111 | prog.insert(circuit)
112 | # pauli_dict = {'Z0 X1':10,'Y2':-0.543}
113 | rlt_prob = ProbsMeasure([0,2],prog,machine,qubits)
114 | return rlt_prob
115 |
116 | pqc = QuantumLayer(pqctest,3,"CPU",4,1)
117 | #classic data as input
118 | input = QTensor([[1,2,3,4],[40,22,2,3],[33,3,25,2.0]] )
119 | #forward circuits
120 | rlt = pqc(input)
121 | grad = QTensor(np.ones(rlt.data.shape)*1000)
122 | #backward circuits
123 | rlt.backward(grad)
124 | print(rlt)
125 | # [
126 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000],
127 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000],
128 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000]
129 | # ]
130 |
131 | 如果使用GPU,参考下面的例子:
132 |
133 |
134 | Example::
135 |
136 | import pyqpanda as pq
137 | from pyvqnet.qnn.measure import ProbsMeasure
138 | from pyvqnet.qnn.quantumlayer import QuantumLayer
139 | import numpy as np
140 | from pyvqnet.tensor import QTensor,DEV_GPU_0
141 | def pqctest (input,param,qubits,cbits,machine):
142 | circuit = pq.QCircuit()
143 | circuit.insert(pq.H(qubits[0]))
144 | circuit.insert(pq.H(qubits[1]))
145 | circuit.insert(pq.H(qubits[2]))
146 | circuit.insert(pq.H(qubits[3]))
147 |
148 | circuit.insert(pq.RZ(qubits[0],input[0]))
149 | circuit.insert(pq.RZ(qubits[1],input[1]))
150 | circuit.insert(pq.RZ(qubits[2],input[2]))
151 | circuit.insert(pq.RZ(qubits[3],input[3]))
152 |
153 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
154 | circuit.insert(pq.RZ(qubits[1],param[0]))
155 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
156 |
157 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
158 | circuit.insert(pq.RZ(qubits[2],param[1]))
159 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
160 |
161 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
162 | circuit.insert(pq.RZ(qubits[3],param[2]))
163 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
164 |
165 | prog = pq.QProg()
166 | prog.insert(circuit)
167 | # pauli_dict = {'Z0 X1':10,'Y2':-0.543}
168 | rlt_prob = ProbsMeasure([0,2],prog,machine,qubits)
169 | return rlt_prob
170 |
171 | #这里的"CPU" 指的是qpanda量子计算模拟器使用CPU,跟pyvqnet是否使用GPU无关。
172 | pqc = QuantumLayer(pqctest,3,"CPU",4,1)
173 | #这里使用toGPU将QuantumLayer 移动到GPU上
174 | pqc.toGPU()
175 | #classic data as input
176 | input = QTensor([[1,2,3,4],[40,22,2,3],[33,3,25,2.0]] )
177 | input.toGPU()
178 | #forward circuits
179 | rlt = pqc(input)
180 | grad = QTensor(np.ones(rlt.data.shape)*1000,device=DEV_GPU_0)
181 | #backward circuits
182 | rlt.backward(grad)
183 | print(rlt)
184 |
185 |
186 | QuantumLayerV2
187 | ============================
188 |
189 | 如您更加熟悉pyqpanda2语法,可以使用该接口QuantumLayerV2,自定义量子比特 ``qubits`` ,经典比特 ``cbits`` ,后端模拟器 ``machine`` 加入QuantumLayerV2的参数 ``qprog_with_measure`` 函数中。
190 |
191 | .. py:class:: pyvqnet.qnn.quantumlayer.QuantumLayerV2(qprog_with_measure,para_num,diff_method:str = "parameter_shift",delta:float = 0.01,dtype=None,name="")
192 |
193 | 变分量子层的抽象计算模块。对一个参数化的量子线路使用pyqpanda2进行仿真,得到测量结果。该变分量子层继承了VQNet框架的梯度计算模块,可以使用参数漂移法等计算线路参数的梯度,训练变分量子线路模型或将变分量子线路嵌入混合量子和经典模型。
194 |
195 | :param qprog_with_measure: 用pyQPand构建的量子线路运行和测量函数。
196 | :param para_num: `int` - 参数个数。
197 | :param diff_method: 求解量子线路参数梯度的方法,“参数位移”或“有限差分”,默认参数偏移。
198 | :param delta: 有限差分计算梯度时的 \delta。
199 | :param dtype: 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
200 | :param name: 这个模块的名字, 默认为""。
201 |
202 | :return: 一个可以计算量子线路的模块。
203 |
204 | .. note::
205 | qprog_with_measure是pyqpanda2中定义的量子线路函数 :https://pyqpanda-toturial.readthedocs.io/zh/latest/QCircuit.html。
206 |
207 | 此函数必须包含以下参数作为函数入参(即使某个参数未实际使用),否则无法在QuantumLayerV2中正常运行。
208 |
209 | 与QuantumLayer相比。该接口传入的变分线路运行函数中,用户应该手动创建量子比特和模拟器: https://pyqpanda-toturial.readthedocs.io/zh/latest/QuantumMachine.html,
210 |
211 | 如果qprog_with_measure需要quantum measure,用户还需要手动创建需要分配cbits: https://pyqpanda-toturial.readthedocs.io/zh/latest/Measure.html
212 |
213 | 量子线路函数 qprog_with_measure (input,param,nqubits,ncubits)的使用可参考下面的例子。
214 |
215 | `input`: 输入一维经典数据。如果没有,输入 None。
216 |
217 | `param`: 输入一维的变分量子线路的待训练参数。
218 |
219 | .. note::
220 |
221 | 该类具有别名 `QpandaQCircuitVQCLayerLite` 。
222 |
223 | Example::
224 |
225 | import pyqpanda as pq
226 | from pyvqnet.qnn.measure import ProbsMeasure
227 | from pyvqnet.qnn.quantumlayer import QuantumLayerV2
228 | import numpy as np
229 | from pyvqnet.tensor import QTensor
230 | def pqctest (input,param):
231 | num_of_qubits = 4
232 |
233 | machine = pq.CPUQVM()
234 | machine.init_qvm()
235 | qubits = machine.qAlloc_many(num_of_qubits)
236 |
237 | circuit = pq.QCircuit()
238 | circuit.insert(pq.H(qubits[0]))
239 | circuit.insert(pq.H(qubits[1]))
240 | circuit.insert(pq.H(qubits[2]))
241 | circuit.insert(pq.H(qubits[3]))
242 |
243 | circuit.insert(pq.RZ(qubits[0],input[0]))
244 | circuit.insert(pq.RZ(qubits[1],input[1]))
245 | circuit.insert(pq.RZ(qubits[2],input[2]))
246 | circuit.insert(pq.RZ(qubits[3],input[3]))
247 |
248 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
249 | circuit.insert(pq.RZ(qubits[1],param[0]))
250 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
251 |
252 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
253 | circuit.insert(pq.RZ(qubits[2],param[1]))
254 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
255 |
256 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
257 | circuit.insert(pq.RZ(qubits[3],param[2]))
258 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
259 |
260 | prog = pq.QProg()
261 | prog.insert(circuit)
262 | rlt_prob = ProbsMeasure([0,2],prog,machine,qubits)
263 | return rlt_prob
264 |
265 | pqc = QuantumLayerV2(pqctest,3)
266 |
267 | #classic data as input
268 | input = QTensor([[1.0,2,3,4],[4,2,2,3],[3,3,2,2]] )
269 |
270 | #forward circuits
271 | rlt = pqc(input)
272 |
273 | grad = QTensor(np.ones(rlt.data.shape)*1000)
274 | #backward circuits
275 | rlt.backward(grad)
276 | print(rlt)
277 |
278 | # [
279 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000],
280 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000],
281 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000]
282 | # ]
283 |
284 | 如果使用GPU,参考下面的例子:
285 |
286 |
287 | Example::
288 |
289 | import pyqpanda as pq
290 | from pyvqnet.qnn.measure import ProbsMeasure
291 | from pyvqnet.qnn.quantumlayer import QuantumLayerV2
292 | import numpy as np
293 | from pyvqnet.tensor import QTensor,DEV_GPU_0
294 | def pqctest (input,param):
295 | num_of_qubits = 4
296 |
297 | machine = pq.CPUQVM()
298 | machine.init_qvm()
299 | qubits = machine.qAlloc_many(num_of_qubits)
300 |
301 | circuit = pq.QCircuit()
302 | circuit.insert(pq.H(qubits[0]))
303 | circuit.insert(pq.H(qubits[1]))
304 | circuit.insert(pq.H(qubits[2]))
305 | circuit.insert(pq.H(qubits[3]))
306 |
307 | circuit.insert(pq.RZ(qubits[0],input[0]))
308 | circuit.insert(pq.RZ(qubits[1],input[1]))
309 | circuit.insert(pq.RZ(qubits[2],input[2]))
310 | circuit.insert(pq.RZ(qubits[3],input[3]))
311 |
312 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
313 | circuit.insert(pq.RZ(qubits[1],param[0]))
314 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
315 |
316 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
317 | circuit.insert(pq.RZ(qubits[2],param[1]))
318 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
319 |
320 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
321 | circuit.insert(pq.RZ(qubits[3],param[2]))
322 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
323 |
324 | prog = pq.QProg()
325 | prog.insert(circuit)
326 | rlt_prob = ProbsMeasure([0,2],prog,machine,qubits)
327 | return rlt_prob
328 |
329 | pqc = QuantumLayerV2(pqctest,3)
330 | #layer move to gpu
331 | pqc.toGPU()
332 | #classic data as input
333 | input = QTensor([[1.0,2,3,4],[4,2,2,3],[3,3,2,2]] )
334 | #data move to gpu
335 | input.toGPU(DEV_GPU_0)
336 | #forward circuits
337 | rlt = pqc(input)
338 |
339 | grad = QTensor(np.ones(rlt.data.shape)*1000,device= DEV_GPU_0)
340 | #backward circuits
341 | rlt.backward(grad)
342 | print(rlt)
343 |
344 |
345 |
346 | QuantumBatchAsyncQcloudLayer
347 | =================================
348 |
349 | 当您安装最新版本pyqpanda,可以使用本接口定义一个变分线路,并提交到originqc的真实芯片上运行。
350 |
351 | .. py:class:: pyvqnet.qnn.quantumlayer.QuantumBatchAsyncQcloudLayer(origin_qprog_func, qcloud_token, para_num, num_qubits, num_cubits, pauli_str_dict=None, shots = 1000, initializer=None, dtype=None, name="", diff_method="parameter_shift", submit_kwargs={}, query_kwargs={})
352 |
353 | 使用 pyqpanda QCLOUD 从版本 3.8.2.2 开始的 originqc 真实芯片的抽象计算模块。 它提交参数化量子电路到真实芯片并获得测量结果。
354 | 如果 diff_method == "random_coordinate_descent" ,该层将随机选择单个参数来计算梯度,其他参数将保持为零。参考:https://arxiv.org/abs/2311.00088
355 |
356 | .. note::
357 |
358 | qcloud_token 为您到 https://qcloud.originqc.com.cn/ 中申请的api token。
359 | origin_qprog_func 需要返回pypqanda.QProg类型的数据,如果没有设置pauli_str_dict,需要保证该QProg中已经插入了measure。
360 | origin_qprog_func 的形式必须按照如下:
361 |
362 | origin_qprog_func(input,param,qubits,cbits,machine)
363 |
364 | `input`: 输入1~2维经典数据,二维的情况下,第一个维度为批处理大小。
365 |
366 | `param`: 输入一维的变分量子线路的待训练参数。
367 |
368 | `machine`: 由QuantumBatchAsyncQcloudLayer创建的模拟器QCloud,无需用户额外在函数中定义。
369 |
370 | `qubits`: 由QuantumBatchAsyncQcloudLayer创建的模拟器QCloud创建的量子比特,数量为 `num_qubits`, 类型为pyQpanda.Qubits,无需用户额外在函数中定义。
371 |
372 | `cbits`: 由QuantumBatchAsyncQcloudLayer分配的经典比特, 数量为 `num_cubits`, 类型为 pyQpanda.ClassicalCondition,无需用户额外在函数中定义。。
373 |
374 |
375 |
376 | :param origin_qprog_func: QPanda 构建的变分量子电路函数,必须返回QProg。
377 | :param qcloud_token: `str` - 量子机的类型或用于执行的云令牌。
378 | :param para_num: `int` - 参数数量,参数是大小为[para_num]的QTensor。
379 | :param num_qubits: `int` - 量子电路中的量子比特数量。
380 | :param num_cubits: `int` - 量子电路中用于测量的经典比特数量。
381 | :param pauli_str_dict: `dict|list` - 表示量子电路中泡利运算符的字典或字典列表。 默认为“无”,则进行测量操作,如果输入泡利算符的字典,则会计算单个期望或者多个期望。
382 | :param shot: `int` - 测量次数。 默认值为 1000。
383 | :param initializer: 参数值的初始化器。 默认为“无”,使用0~2*pi正态分布。
384 | :param dtype: 参数的数据类型。 默认值为 None,即使用默认数据类型pyvqnet.kfloat32。
385 | :param name: 模块的名称。 默认为空字符串。
386 | :param diff_method: 梯度计算的微分方法。 默认为“parameter_shift”,"random_coordinate_descent"。
387 | :param submit_kwargs: 用于提交量子电路的附加关键字参数,默认:{"chip_id":pyqpanda.real_chip_type.origin_72,"is_amend":True,"is_mapping":True,"is_optimization":True,"compile_level":3,"default_task_group_size":200,"test_qcloud_fake":False},当设置test_qcloud_fake为True则本地CPUQVM模拟。
388 | :param query_kwargs: 用于查询量子结果的附加关键字参数,默认:{"timeout":2,"print_query_info":True,"sub_circuits_split_size":1}。
389 | :return: 一个可以计算量子电路的模块。
390 |
391 | Example::
392 |
393 | import numpy as np
394 | import pyqpanda as pq
395 | import pyvqnet
396 | from pyvqnet.qnn import QuantumLayer,QuantumBatchAsyncQcloudLayer
397 | from pyvqnet.qnn import expval_qcloud
398 |
399 | def qfun(input,param, m_machine, m_qlist,cubits):
400 | measure_qubits = [0,2]
401 | m_prog = pq.QProg()
402 | cir = pq.QCircuit()
403 | cir.insert(pq.RZ(m_qlist[0],input[0]))
404 | cir.insert(pq.CNOT(m_qlist[0],m_qlist[1]))
405 | cir.insert(pq.RY(m_qlist[1],param[0]))
406 | cir.insert(pq.CNOT(m_qlist[0],m_qlist[2]))
407 | cir.insert(pq.RZ(m_qlist[1],input[1]))
408 | cir.insert(pq.RY(m_qlist[2],param[1]))
409 | cir.insert(pq.H(m_qlist[2]))
410 | m_prog.insert(cir)
411 |
412 | for idx, ele in enumerate(measure_qubits):
413 | m_prog << pq.Measure(m_qlist[ele], cubits[idx])
414 | return m_prog
415 |
416 | l = QuantumBatchAsyncQcloudLayer(qfun,
417 | "3047DE8A59764BEDAC9C3282093B16AF1",
418 | 2,
419 | 6,
420 | 6,
421 | pauli_str_dict=None,
422 | shots = 1000,
423 | initializer=None,
424 | dtype=None,
425 | name="",
426 | diff_method="parameter_shift",
427 | submit_kwargs={},
428 | query_kwargs={})
429 | x = pyvqnet.tensor.QTensor([[0.56,1.2],[0.56,1.2],[0.56,1.2],[0.56,1.2],[0.56,1.2]],requires_grad= True)
430 | y = l(x)
431 | print(y)
432 | y.backward()
433 | print(l.m_para.grad)
434 | print(x.grad)
435 |
436 | def qfun2(input,param, m_machine, m_qlist,cubits):
437 | measure_qubits = [0,2]
438 | m_prog = pq.QProg()
439 | cir = pq.QCircuit()
440 | cir.insert(pq.RZ(m_qlist[0],input[0]))
441 | cir.insert(pq.CNOT(m_qlist[0],m_qlist[1]))
442 | cir.insert(pq.RY(m_qlist[1],param[0]))
443 | cir.insert(pq.CNOT(m_qlist[0],m_qlist[2]))
444 | cir.insert(pq.RZ(m_qlist[1],input[1]))
445 | cir.insert(pq.RY(m_qlist[2],param[1]))
446 | cir.insert(pq.H(m_qlist[2]))
447 | m_prog.insert(cir)
448 |
449 | return m_prog
450 | l = QuantumBatchAsyncQcloudLayer(qfun2,
451 | "3047DE8A59764BEDAC9C3282093B16AF",
452 | 2,
453 | 6,
454 | 6,
455 | pauli_str_dict={'Z0 X1':10,'':-0.5,'Y2':-0.543},
456 | shots = 1000,
457 | initializer=None,
458 | dtype=None,
459 | name="",
460 | diff_method="parameter_shift",
461 | submit_kwargs={},
462 | query_kwargs={})
463 | x = pyvqnet.tensor.QTensor([[0.56,1.2],[0.56,1.2],[0.56,1.2],[0.56,1.2]],requires_grad= True)
464 | y = l(x)
465 | print(y)
466 | y.backward()
467 | print(l.m_para.grad)
468 | print(x.grad)
469 |
470 |
471 | QuantumLayerMultiProcess
472 | ============================
473 |
474 | 如您更加熟悉pyqpanda2语法,可以使用QuantumLayerMultiProcess,自定义量子比特 ``qubits`` ,经典比特 ``cbits`` ,后端模拟器 ``machine`` 加入QuantumLayerMultiProcess的参数 ``qprog_with_measure`` 函数中。
475 |
476 | .. py:class:: pyvqnet.qnn.quantumlayer.QuantumLayerMultiProcess(qprog_with_measure,para_num,num_of_qubits: int,num_of_cbits: int = 1,diff_method:str = "parameter_shift",delta:float = 0.01, dtype=None,name="")
477 |
478 | 变分量子层的抽象计算模块。使用多进程技术对一个批次数据计算梯度时候的量子线路进行加速。对于线路深度较少的线路,该层的多线程加速效果并不明显。
479 |
480 | 该层对一个参数化的量子线路进行仿真,得到测量结果。该变分量子层继承了VQNet框架的梯度计算模块,可以计算线路参数的梯度,训练变分量子线路模型或将变分量子线路嵌入混合量子和经典模型。
481 |
482 | :param qprog_with_measure: 用pyqpanda2构建的量子线路运行和测量函数。
483 | :param para_num: `int` - 参数个数。
484 | :param num_of_qubits: 量子比特数。
485 | :param num_of_cbits: 经典比特数,默认为1。
486 | :param diff_method: 求解量子线路参数梯度的方法,“参数位移”或“有限差分”,默认参数偏移。
487 | :param delta: 有限差分计算梯度时的 \delta。
488 | :param dtype: 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
489 | :param name: 这个模块的名字, 默认为""。
490 |
491 | :return: 一个可以计算量子线路的模块。
492 |
493 | .. note::
494 | qprog_with_measure是pyqpanda2中定义的量子线路函数 :https://pyqpanda-toturial.readthedocs.io/zh/latest/QCircuit.html。
495 |
496 | 此函数应包含以下参数,否则无法在QuantumLayerMultiProcess中正常运行。
497 |
498 | 与QuantumLayerV2类似,该接口传入的变分线路运行函数中,用户应该手动创建量子比特和模拟器: https://pyqpanda-toturial.readthedocs.io/zh/latest/QuantumMachine.html,
499 |
500 | 如果qprog_with_measure需要quantum measure,用户应该手动创建cbits: https://pyqpanda-toturial.readthedocs.io/zh/latest/Measure.html
501 |
502 | 量子线路函数 qprog_with_measure (input,param,nqubits,ncubits)的使用可参考下面的例子。对于线路深度较少的线路,该层的多线程加速效果并不明显。
503 |
504 | `input`: 输入一维经典数据。
505 |
506 | `param`: 输入一维量子线路的参数。
507 |
508 | `nqubits`: 预先设定的量子比特数量。如果没有,输入 0。
509 |
510 | `ncubits`: 预先设定的经典比特数量。如果没有,输入 0。
511 |
512 | Example::
513 |
514 | import pyqpanda as pq
515 | from pyvqnet.qnn.measure import ProbsMeasure
516 | from pyvqnet.qnn.quantumlayer import QuantumLayerMultiProcess
517 | import numpy as np
518 | from pyvqnet.tensor import QTensor
519 |
520 | def pqctest (input,param,nqubits,ncubits):
521 | machine = pq.CPUQVM()
522 | machine.init_qvm()
523 | qubits = machine.qAlloc_many(nqubits)
524 | circuit = pq.QCircuit()
525 | circuit.insert(pq.H(qubits[0]))
526 | circuit.insert(pq.H(qubits[1]))
527 | circuit.insert(pq.H(qubits[2]))
528 | circuit.insert(pq.H(qubits[3]))
529 |
530 | circuit.insert(pq.RZ(qubits[0],input[0]))
531 | circuit.insert(pq.RZ(qubits[1],input[1]))
532 | circuit.insert(pq.RZ(qubits[2],input[2]))
533 | circuit.insert(pq.RZ(qubits[3],input[3]))
534 |
535 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
536 | circuit.insert(pq.RZ(qubits[1],param[0]))
537 | circuit.insert(pq.CNOT(qubits[0],qubits[1]))
538 |
539 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
540 | circuit.insert(pq.RZ(qubits[2],param[1]))
541 | circuit.insert(pq.CNOT(qubits[1],qubits[2]))
542 |
543 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
544 | circuit.insert(pq.RZ(qubits[3],param[2]))
545 | circuit.insert(pq.CNOT(qubits[2],qubits[3]))
546 |
547 | prog = pq.QProg()
548 | prog.insert(circuit)
549 |
550 | rlt_prob = ProbsMeasure([0,2],prog,machine,qubits)
551 | return rlt_prob
552 |
553 |
554 | pqc = QuantumLayerMultiProcess(pqctest,3,4,1)
555 | #classic data as input
556 | input = QTensor([[1.0,2,3,4],[4,2,2,3],[3,3,2,2]] )
557 | #forward circuits
558 | rlt = pqc(input)
559 | grad = QTensor(np.ones(rlt.data.shape)*1000)
560 | #backward circuits
561 | rlt.backward(grad)
562 | print(rlt)
563 |
564 | # [
565 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000],
566 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000],
567 | # [0.2500000, 0.2500000, 0.2500000, 0.2500000]
568 | # ]
569 |
570 |
571 | NoiseQuantumLayer
572 | =========================
573 |
574 | 在真实的量子计算机中,受制于量子比特自身的物理特性,常常存在不可避免的计算误差。为了能在量子虚拟机中更好的模拟这种误差,VQNet同样支持含噪声量子虚拟机。含噪声量子虚拟机的模拟更贴近真实的量子计算机,我们可以自定义支持的逻辑门类型,自定义逻辑门支持的噪声模型。
575 | 现有可支持的量子噪声模型依据QPanda中定义,具体参考链接 `QPANDA2 `_ 中的介绍。
576 |
577 | 使用 NoiseQuantumLayer 定义一个量子线路自动微分类,该类支持QPanda噪声虚拟机。用户定义一个函数作为参数 ``qprog_with_measure`` ,该函数需要包含pyqpanda2定义的量子线路,同样需要传入一个参数 ``noise_set_config``,使用pyqpanda2接口,设置噪声模型。
578 |
579 | .. py:class:: pyvqnet.qnn.quantumlayer.NoiseQuantumLayer(qprog_with_measure,para_num,machine_type,num_of_qubits:int,num_of_cbits:int=1,diff_method:str= "parameter_shift",delta:float=0.01,noise_set_config = None, dtype=None,name="")
580 |
581 | 变分量子层的抽象计算模块。对一个参数化的量子线路进行仿真,得到测量结果。该变分量子层继承了VQNet框架的梯度计算模块,可以计算线路参数的梯度,训练变分量子线路模型或将变分量子线路嵌入混合量子和经典模型。
582 |
583 | 这一层可以在量子线路中使用噪声模型。
584 |
585 | :param qprog_with_measure: 用pyqpanda2构建的量子线路运行和测量函数。
586 | :param para_num: `int` - 参数个数。
587 | :param machine_type: qpanda机器类型。
588 | :param num_of_qubits: 量子比特数。
589 | :param num_of_cbits: 经典比特数,默认为1。
590 | :param diff_method: 求解量子线路参数梯度的方法,“参数位移”或“有限差分”,默认参数偏移。
591 | :param delta: 有限差分计算梯度时的 \delta。
592 | :param noise_set_config: 噪声设置函数。
593 | :param dtype: 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
594 | :param name: 这个模块的名字, 默认为""。
595 |
596 | :return: 一个可以计算含噪声量子线路的模块。
597 |
598 |
599 | .. note::
600 | qprog_with_measure是pyqpanda2中定义的量子线路函数 :https://pyqpanda-toturial.readthedocs.io/zh/latest/QCircuit.html。
601 |
602 | 此函数必须包含以下参数作为函数入参(即使某个参数未实际使用),否则无法在NoiseQuantumLayer中正常运行。
603 |
604 | qprog_with_measure (input,param,qubits,cbits,machine)
605 |
606 | `input`: 输入一维经典数据。如果没有输入可以输入 None。
607 |
608 | `param`: 输入一维的变分量子线路的待训练参数。
609 |
610 | `qubits`: 该NoiseQuantumLayer分配的量子比特,类型为pyQpanda.Qubits。
611 |
612 | `cbits`: cbits由NoiseQuantumLayer分配的经典比特,用来辅助测量函数,类型为 pyQpanda.ClassicalCondition。如果线路不使用cbits,也应保留此参数。
613 |
614 | `machine`: 由NoiseQuantumLayer创建的模拟器。
615 |
616 |
617 | Example::
618 |
619 | import pyqpanda as pq
620 | from pyvqnet.qnn.measure import ProbsMeasure
621 | from pyvqnet.qnn.quantumlayer import NoiseQuantumLayer
622 | import numpy as np
623 | from pyqpanda import *
624 | from pyvqnet.tensor import QTensor
625 | def circuit(weights,param,qubits,cbits,machine):
626 |
627 | circuit = pq.QCircuit()
628 |
629 | circuit.insert(pq.H(qubits[0]))
630 | circuit.insert(pq.RY(qubits[0], weights[0]))
631 | circuit.insert(pq.RY(qubits[0], param[0]))
632 | prog = pq.QProg()
633 | prog.insert(circuit)
634 | prog << measure_all(qubits, cbits)
635 |
636 | result = machine.run_with_configuration(prog, cbits, 100)
637 |
638 | counts = np.array(list(result.values()))
639 | states = np.array(list(result.keys())).astype(float)
640 | # Compute probabilities for each state
641 | probabilities = counts / 100
642 | # Get state expectation
643 | expectation = np.sum(states * probabilities)
644 | return expectation
645 |
646 | def default_noise_config(qvm,q):
647 |
648 | p = 0.01
649 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_X_GATE, p)
650 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_Y_GATE, p)
651 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_Z_GATE, p)
652 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RX_GATE, p)
653 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RY_GATE, p)
654 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RZ_GATE, p)
655 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RY_GATE, p)
656 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.HADAMARD_GATE, p)
657 | qves =[]
658 | for i in range(len(q)-1):
659 | qves.append([q[i],q[i+1]])#
660 | qves.append([q[len(q)-1],q[0]])
661 | qvm.set_noise_model(NoiseModel.DAMPING_KRAUS_OPERATOR, GateType.CNOT_GATE, p, qves)
662 |
663 | return qvm
664 |
665 | qvc = NoiseQuantumLayer(circuit,24,"noise",1,1,diff_method= "parameter_shift", delta=0.01,noise_set_config = default_noise_config)
666 | input = QTensor([
667 | [0., 1., 1., 1.],
668 |
669 | [0., 0., 1., 1.],
670 |
671 | [1., 0., 1., 1.]
672 | ] )
673 | rlt = qvc(input)
674 | grad = QTensor(np.ones(rlt.data.shape)*1000)
675 |
676 | rlt.backward(grad)
677 | print(qvc.m_para.grad)
678 |
679 | #[1195., 105., 70., 0.,
680 | # 45., -45., 50., 15.,
681 | # -80., 50., 10., -30.,
682 | # 10., 60., 75., -110.,
683 | # 55., 45., 25., 5.,
684 | # 5., 50., -25., -15.]
685 |
686 | 下面给出一个 ``noise_set_config`` 的例子,这里使得 ``RX`` , ``RY`` , ``RZ`` , ``X`` , ``Y`` , ``Z`` , ``H`` 等逻辑门加入了 p = 0.01 的 BITFLIP_KRAUS_OPERATOR噪声模型。
687 |
688 | .. code-block::
689 |
690 | def noise_set_config(qvm,q):
691 |
692 | p = 0.01
693 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_X_GATE, p)
694 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_Y_GATE, p)
695 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.PAULI_Z_GATE, p)
696 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RX_GATE, p)
697 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RY_GATE, p)
698 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RZ_GATE, p)
699 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.RY_GATE, p)
700 | qvm.set_noise_model(NoiseModel.BITFLIP_KRAUS_OPERATOR, GateType.HADAMARD_GATE, p)
701 | qves =[]
702 | for i in range(len(q)-1):
703 | qves.append([q[i],q[i+1]])#
704 | qves.append([q[len(q)-1],q[0]])
705 | qvm.set_noise_model(NoiseModel.DAMPING_KRAUS_OPERATOR, GateType.CNOT_GATE, p, qves)
706 |
707 | return qvm
708 |
709 |
710 |
711 |
712 | DataParallelHybirdVQCQpandaQVMLayer
713 | ============================================================
714 |
715 | .. py:class:: pyvqnet.qnn.DataParallelHybirdVQCQpandaQVMLayer(vqc_module: Module,qcloud_token: str,num_qubits: int,num_cubits: int,pauli_str_dict: Union[List[Dict], Dict, None] = None,shots: int = 1000,dtype: Union[int, None] = None,name: str = "",submit_kwargs: Dict = {},query_kwargs: Dict = {})
716 |
717 | 混合 vqc 和 qpanda QVM 层。该层将用户 `forward` 函数定义的VQNet编写的量子线路计算转化为QPanda OriginIR,可在QPanda 本地虚拟机或者云端服务上进行前向运行,并在本地CPU上模拟计算线路参数梯度,降低了使用参数漂移法计算的时间复杂度。
718 | 使用数据并行将输入数据第一个维度 批处理数量 根据 `CommController` 中分配的进程数进行分割,在多个进程中基于 `mpi` 或者 `nccl` 进行数据并行。请注意一个进程对应一个节点上的GPU设备。
719 | 每个进程中的该模块在前向计算时提交 批处理数量/节点数 个数据产生的量子线路,反向计算中计算 批处理数量/节点数 个数据贡献的梯度,并通过all_reduce计算多个节点上参数的平均梯度。
720 |
721 | .. note::
722 |
723 | 该模块内部对输入切分,并将数据移动到对应设备上。第0个进程计算[0,批处理数量/节点数]数据,第k个进程计算[(k-1)批处理数量/节点数,k*批处理数量/节点数]
724 |
725 | :param vqc_module: 带有 forward() 的 vqc_module。
726 | :param qcloud_token: `str` - 量子机器的类型或用于执行的云令牌。
727 | :param num_qubits: `int` - 量子电路中的量子比特数。
728 | :param num_cubits: `int` - 量子电路中用于测量的经典比特数。
729 | :param pauli_str_dict: `dict|list` - 表示量子电路中泡利算子的字典或字典列表。默认值为 None。
730 | :param shots: `int` - 量子线路测量次数。默认值为 1000。
731 | :param name: 模块名称。默认值为空字符串。
732 | :param submit_kwargs: 提交量子电路的附加关键字参数,默认值:
733 | {"chip_id":pyqpanda.real_chip_type.origin_72,
734 | "is_amend":True,"is_mapping":True,
735 | "is_optimization":True,
736 | "default_task_group_size":200,
737 | "test_qcloud_fake":True}。
738 | :param query_kwargs: 查询量子结果的附加关键字参数,默认值:{"timeout":2,"print_query_info":True,"sub_circuits_split_size":1}。
739 |
740 | 以下是使用cpu计算的mpi例子,单节点双进程的命令如下: mpirun -n 2 python xxx.py
741 |
742 | Example::
743 |
744 | from pyvqnet.distributed import *
745 |
746 | Comm_OP = CommController("mpi")
747 | from pyvqnet.qnn import *
748 | from pyvqnet.qnn.vqc import *
749 | import pyvqnet
750 | from pyvqnet.nn import Module, Linear
751 | from pyvqnet.device import DEV_GPU_0
752 | pyvqnet.utils.set_random_seed(42)
753 |
754 |
755 | class Hybird(Module):
756 | def __init__(self):
757 | self.cl1 = Linear(3, 3)
758 | self.ql = QModel(num_wires=6, dtype=pyvqnet.kcomplex64)
759 | self.cl2 = Linear(1, 2)
760 |
761 | def forward(self, x):
762 | x = self.cl1(x)
763 | x = self.ql(x)
764 | x = self.cl2(x)
765 | return x
766 |
767 |
768 | class QModel(Module):
769 | def __init__(self, num_wires, dtype, grad_mode=""):
770 | super(QModel, self).__init__()
771 |
772 | self._num_wires = num_wires
773 | self._dtype = dtype
774 | self.qm = QMachine(num_wires,
775 | dtype=dtype,
776 | grad_mode=grad_mode,
777 | save_ir=True)
778 | self.rx_layer = RX(has_params=True, trainable=False, wires=0)
779 | self.ry_layer = RY(has_params=True, trainable=False, wires=1)
780 | self.rz_layer = RZ(has_params=True, trainable=False, wires=1)
781 | self.u1 = U1(has_params=True, trainable=True, wires=[2])
782 | self.u2 = U2(has_params=True, trainable=True, wires=[3])
783 | self.u3 = U3(has_params=True, trainable=True, wires=[1])
784 | self.i = I(wires=[3])
785 | self.s = S(wires=[3])
786 | self.x1 = X1(wires=[3])
787 | self.y1 = Y1(wires=[3])
788 | self.z1 = Z1(wires=[3])
789 | self.x = PauliX(wires=[3])
790 | self.y = PauliY(wires=[3])
791 | self.z = PauliZ(wires=[3])
792 | self.swap = SWAP(wires=[2, 3])
793 | self.cz = CZ(wires=[2, 3])
794 | self.cr = CR(has_params=True, trainable=True, wires=[2, 3])
795 | self.rxx = RXX(has_params=True, trainable=True, wires=[2, 3])
796 | self.rzz = RYY(has_params=True, trainable=True, wires=[2, 3])
797 | self.ryy = RZZ(has_params=True, trainable=True, wires=[2, 3])
798 | self.rzx = RZX(has_params=True, trainable=False, wires=[2, 3])
799 | self.toffoli = Toffoli(wires=[2, 3, 4], use_dagger=True)
800 | self.h = Hadamard(wires=[1])
801 |
802 | self.iSWAP = iSWAP( wires=[0, 2])
803 | self.tlayer = T(wires=1)
804 | self.cnot = CNOT(wires=[0, 1])
805 | self.measure = MeasureAll(obs={'Z0': 2, 'Y3': 3})
806 |
807 | def forward(self, x, *args, **kwargs):
808 | self.qm.reset_states(x.shape[0])
809 | self.i(q_machine=self.qm)
810 | self.s(q_machine=self.qm)
811 | self.swap(q_machine=self.qm)
812 | self.cz(q_machine=self.qm)
813 | self.x(q_machine=self.qm)
814 | self.x1(q_machine=self.qm)
815 | self.y(q_machine=self.qm)
816 | self.y1(q_machine=self.qm)
817 | self.z(q_machine=self.qm)
818 | self.z1(q_machine=self.qm)
819 | self.ryy(q_machine=self.qm)
820 | self.rxx(q_machine=self.qm)
821 | self.rzz(q_machine=self.qm)
822 | self.rzx(q_machine=self.qm, params=x[:, [1]])
823 | self.cr(q_machine=self.qm)
824 | self.u1(q_machine=self.qm)
825 | self.u2(q_machine=self.qm)
826 | self.u3(q_machine=self.qm)
827 | self.rx_layer(params=x[:, [0]], q_machine=self.qm)
828 | self.cnot(q_machine=self.qm)
829 | self.h(q_machine=self.qm)
830 | self.iSWAP(q_machine=self.qm)
831 | self.ry_layer(params=x[:, [1]], q_machine=self.qm)
832 | self.tlayer(q_machine=self.qm)
833 | self.rz_layer(params=x[:, [2]], q_machine=self.qm)
834 | self.toffoli(q_machine=self.qm)
835 | rlt = self.measure(q_machine=self.qm)
836 |
837 | return rlt
838 |
839 | input_x = tensor.QTensor([[0.1, 0.2, 0.3]])
840 | input_x = tensor.broadcast_to(input_x, [20, 3])
841 | input_x.requires_grad = True
842 |
843 |
844 |
845 | qunatum_model = QModel(num_wires=6, dtype=pyvqnet.kcomplex64)
846 |
847 | l = DataParallelHybirdVQCQpandaQVMLayer(
848 | Comm_OP,
849 | qunatum_model,
850 | "3047DE8A59764BEDAC9C3282093B16AF1",
851 |
852 | num_qubits=6,
853 | num_cubits=6,
854 | pauli_str_dict={
855 | 'Z0': 2,
856 | 'Y3': 3
857 | },
858 | shots=1000,
859 | name="",
860 | submit_kwargs={"test_qcloud_fake": True},
861 | query_kwargs={})
862 |
863 | y = l(input_x)
864 | print(y)
865 | y.backward()
866 | for p in qunatum_model.parameters():
867 | print(p.grad)
868 |
869 |
870 |
871 | 以下是使用gpu计算的nccl例子,单节点双进程的命令如下: mpirun -n 2 python xxx.py
872 |
873 | Example::
874 |
875 | from pyvqnet.distributed import *
876 |
877 | Comm_OP = CommController("nccl")
878 | input_x = tensor.QTensor([[0.1, 0.2, 0.3]],device=Comm_OP.get_local_rank() + pyvqnet.DEV_GPU_0)
879 | #rest code not changed
880 |
881 |
882 | 以下是进行多节点多进程并行计算的例子,请保证在不同节点的相同路径下,相同python环境下运行该脚本,并在每个节点下
883 | 编写ip地址映射文件 `hosts`,格式参考 :ref:`hostfile` 。
884 |
885 | Example::
886 |
887 | #hosts示例
888 | 10.10.7.107 slots=2
889 | 10.10.7.109 slots=2
890 |
891 | 使用 mpi 进行2节点每节点2进程共4进程并行,则可以运行 `vqnetrun -np 4 -f hosts python xxx.py`
892 |
893 | Example::
894 |
895 | from pyvqnet.distributed import *
896 | Comm_OP = CommController("mpi")
897 | #rest code not changed
898 |
899 | 使用 nccl 进行2节点每节点2进程共4进程并行,则可以运行 `vqnetrun -np 4 -f hosts python xxx.py`
900 |
901 | Example::
902 |
903 | from pyvqnet.distributed import *
904 | Comm_OP = CommController("nccl")
905 | input_x = tensor.QTensor([[0.1, 0.2, 0.3]],device=Comm_OP.get_local_rank() + pyvqnet.DEV_GPU_0)
906 | #rest code not changed
907 |
908 | 量子逻辑门
909 | ***********************************
910 |
911 | 处理量子比特的方式就是量子逻辑门。 使用量子逻辑门,我们有意识的使量子态发生演化。量子逻辑门是构成量子算法的基础。
912 |
913 |
914 | 基本量子逻辑门
915 | ============================
916 |
917 | 在VQNet中,我们使用本源量子自研的 `pyqpanda2 `_ 的各个逻辑门搭建量子线路,进行量子模拟。
918 | 当前pyqpanda2支持的逻辑门可参考pyqpanda2 `量子逻辑门 `_ 部分的定义。
919 | 此外VQNet还封装了部分在量子机器学习中常用的量子逻辑门组合,这里仅留下了pyqpanda2版本的振幅编码,更多接口可使用参考 :ref: `pq3_gate` 中集成pyqpanda3的接口。
920 |
921 |
922 |
923 |
924 | AmplitudeEmbeddingCircuit
925 | ============================
926 |
927 | .. py:function:: pyvqnet.qnn.template.AmplitudeEmbeddingCircuit(input_feat,qubits)
928 |
929 | 将 :math:`2^n` 特征编码为 :math:`n` 量子比特的振幅向量。为了表示一个有效的量子态向量, ``features`` 的L2范数必须是1。
930 |
931 | :param input_feat: 表示参数的numpy数组。
932 | :param qubits: pyqpanda2分配的量子比特列表。
933 | :return: 量子线路。
934 |
935 | Example::
936 |
937 | import numpy as np
938 | import pyqpanda as pq
939 | from pyvqnet.qnn.template import AmplitudeEmbeddingCircuit
940 | input_feat = np.array([2.2, 1, 4.5, 3.7])
941 | machine = pq.init_quantum_machine(pq.QMachineType.CPU)
942 | m_qlist = machine.qAlloc_many(2)
943 | m_clist = machine.cAlloc_many(2)
944 | m_prog = pq.QProg()
945 | cir = AmplitudeEmbeddingCircuit(input_feat,m_qlist)
946 | print(cir)
947 | pq.destroy_quantum_machine(machine)
948 |
949 | # ┌────────────┐ ┌────────────┐
950 | # q_0: |0>─────────────── ─── ┤RY(0.853255)├ ─── ┤RY(1.376290)├
951 | # ┌────────────┐ ┌─┐ └──────┬─────┘ ┌─┐ └──────┬─────┘
952 | # q_1: |0>─┤RY(2.355174)├ ┤X├ ───────■────── ┤X├ ───────■──────
953 | # └────────────┘ └─┘ └─┘
954 |
955 |
956 |
957 |
958 |
959 |
960 | 基于pyqpanda2量子机器学习算法封装接口
961 | ****************************************
962 |
963 | 以下使用pyqpanda2构建线路,并在pyvqnet中实现了一些经典量子机器学习算法。
964 |
965 | QGAN制备任意分布初态
966 | =======================
967 |
968 | 基于2019年 Christa Zoufal 的论文 `Quantum Generative Adversarial Networks for learning and loading random distributions `_ , VQNet提供了一个QGAN制备任意分布初态的例子。该算法使用纯量子变分线路制备特定随机分布的生成量子态,可以减少原先生成特定量子态所需的逻辑门,降低量子线路复杂度。
969 | QGAN使用经典的GAN模型结构,分为Generator生成器与Discriminator鉴别器两个子模型,Generator为量子线路产生特定分布,而Generator生成的分布generated data samples 以及真实的随机分布training data samples 输入Discriminator模型进行鉴别真伪。
970 |
971 | .. image:: ./images/qgan-arch.PNG
972 | :width: 600 px
973 | :align: center
974 |
975 | |
976 |
977 |
978 | 构建VQNet的量子生成对抗网络接口 ``QGANAPI`` 类,我们可以对真实分布的数据 real_data 使用量子生成器进行初态制备。这里使用量子比特数为3,量子生成器内部含参线路模块重复次数为1。
979 | 使用的评价指标为KL散度。
980 |
981 | .. code-block::
982 |
983 | import pickle
984 | import os
985 | import pyqpanda as pq
986 | from pyvqnet.qnn.qgan.qgan_utils import QGANAPI
987 | import numpy as np
988 |
989 |
990 | ##################################
991 | num_of_qubits = 3 # paper config
992 | rep = 1
993 |
994 | number_of_data = 10000
995 | # Load data samples from different distributions
996 | mu = 1
997 | sigma = 1
998 | real_data = np.random.lognormal(mean=mu, sigma=sigma, size=number_of_data)
999 |
1000 |
1001 | # intial
1002 | save_dir = None
1003 | qgan_model = QGANAPI(
1004 | real_data,
1005 | # numpy generated data distribution, 1 - dim.
1006 | num_of_qubits,
1007 | batch_size=2000,
1008 | num_epochs=2000,
1009 | q_g_cir=None,
1010 | bounds = [0.0,2**num_of_qubits -1],
1011 | reps=rep,
1012 | metric="kl",
1013 | tol_rel_ent=0.01,
1014 | if_save_param_dir=save_dir
1015 | )
1016 |
1017 | 接下来使用其训练接口 ``train`` 训练。
1018 |
1019 | .. code-block::
1020 |
1021 | # train
1022 | qgan_model.train() # train qgan
1023 |
1024 | ``eval`` 画出其与真实分布之间的概率分布函数对比:
1025 |
1026 | .. code-block::
1027 |
1028 | # show probability distribution function of generated distribution and real distribution
1029 | qgan_model.eval(real_data) #draw pdf
1030 |
1031 |
1032 | ``get_trained_quantum_parameters`` 获取训练参数并输出为一个numpy数组形式。如果 ``save_dir`` 不为空,则该类将保存参数到文件中。可以通过 ``load_param_and_eval`` 函数载入参数,并可以通过
1033 | ``get_circuits_with_trained_param`` 获取训练完参数的量子生成器pyqpanda2线路。
1034 |
1035 | .. code-block::
1036 |
1037 | # get trained quantum parameters
1038 | param = qgan_model.get_trained_quantum_parameters()
1039 | print(f" trained param {param}")
1040 |
1041 | #load saved parameters files
1042 | if save_dir is not None:
1043 | path = os.path.join(
1044 | save_dir, qgan_model._start_time + "trained_qgan_param.pickle")
1045 | with open(path, "rb") as file:
1046 | t3 = pickle.load(file)
1047 | param = t3["quantum_parameters"]
1048 | print(f" trained param {param}")
1049 |
1050 | #show probability distribution function of generated distribution and real distribution
1051 | qgan_model.load_param_and_eval(param)
1052 |
1053 | #calculate metric
1054 | print(qgan_model.eval_metric(param, "kl"))
1055 |
1056 | #get generator quantum circuit
1057 | machine = pq.CPUQVM()
1058 | machine.init_qvm()
1059 | qubits = machine.qAlloc_many(num_of_qubits)
1060 | qpanda_cir = qgan_model.get_circuits_with_trained_param(qubits)
1061 | print(qpanda_cir)
1062 |
1063 | 生成lognormal分布的损失函数以及概率分布函数图,一般来说需要使用不同的随机种子多次训练该模型可得到较好结果:
1064 |
1065 | .. image:: ./images/qgan-loss.png
1066 | :width: 600 px
1067 | :align: center
1068 |
1069 | |
1070 |
1071 | .. image:: ./images/qgan-pdf.png
1072 | :width: 600 px
1073 | :align: center
1074 |
1075 | |
1076 |
1077 | 量子核SVM算法
1078 | =========================
1079 |
1080 | 在机器学习任务中,数据通常不能被原始空间中的超平面分隔。寻找此类超平面的一种常见技术是对数据应用非线性变换函数。
1081 | 此函数称为特征映射,通过特征映射,我们可以在这个新的特征空间中计算数据点之间的距离有多近,从而进行机器学习的分类任务。
1082 |
1083 | 本例参照 `Supervised learning with quantum enhanced feature spaces `_ 论文的第一个方法构建变分线路进行数据分类任务。
1084 | ``gen_vqc_qsvm_data`` 为生成该例子所需的数据。 ``vqc_qsvm`` 为变分量子线路类,用来对输入数据进行分类。
1085 | ``vqc_qsvm.plot()`` 函数可视化了数据的分布情况。
1086 |
1087 | .. image:: ./images/VQC-SVM.png
1088 | :width: 600 px
1089 | :align: center
1090 |
1091 | |
1092 |
1093 | .. code-block::
1094 |
1095 |
1096 | from pyvqnet.qnn.svm import vqc_qsvm, gen_vqc_qsvm_data
1097 | import matplotlib.pyplot as plt
1098 | import numpy as np
1099 |
1100 | batch_size = 40
1101 | maxiter = 40
1102 | training_size = 20
1103 | test_size = 10
1104 | gap = 0.3
1105 | #线路模块重复次数
1106 | rep = 3
1107 |
1108 | #定义接口类
1109 | VQC_QSVM = vqc_qsvm(batch_size, maxiter, rep)
1110 | #随机生成数据
1111 | train_features, test_features, train_labels, test_labels, samples = \
1112 | gen_vqc_qsvm_data(training_size=training_size, test_size=test_size, gap=gap)
1113 | VQC_QSVM.plot(train_features, test_features, train_labels, test_labels, samples)
1114 | #训练
1115 | VQC_QSVM.train(train_features, train_labels)
1116 | #测试数据测试
1117 | rlt, acc_1 = VQC_QSVM.predict(test_features, test_labels)
1118 | print(f"testing_accuracy {acc_1}")
1119 |
1120 |
1121 |
1122 | 除了上述直接用变分量子线路将经典数据特征映射到量子特征空间,在论文 `Supervised learning with quantum enhanced feature spaces `_
1123 | 中还介绍了使用量子线路直接估计核函数,并使用经典支持向量机进行分类的方法。类比经典SVM中的各种核函数 :math:`K(i,j)` , 使用量子核函数定义经典数据在量子特征空间 :math:`\phi(\mathbf{x}_i)` 的内积 :
1124 |
1125 | .. math::
1126 | |\langle \phi(\mathbf{x}_j) | \phi(\mathbf{x}_i) \rangle |^2 = |\langle 0 | U^\dagger(\mathbf{x}_j) U(\mathbf{x}_i) | 0 \rangle |^2
1127 |
1128 | 使用VQNet和pyqpanda2,我们定义一个 ``QuantumKernel_VQNet`` 产生量子核函数,并使用 ``sklearn`` 的 ``SVC`` 进行分类:
1129 |
1130 | .. image:: ./images/qsvm-kernel.png
1131 | :width: 600 px
1132 | :align: center
1133 |
1134 | |
1135 |
1136 | .. code-block::
1137 |
1138 | import numpy as np
1139 | import pyqpanda as pq
1140 | from sklearn.svm import SVC
1141 | from pyqpanda import *
1142 | from pyqpanda.Visualization.circuit_draw import *
1143 | from pyvqnet.qnn.svm import QuantumKernel_VQNet, gen_vqc_qsvm_data
1144 | import matplotlib
1145 | try:
1146 | matplotlib.use('TkAgg')
1147 | except:
1148 | pass
1149 |
1150 | train_features, test_features,train_labels, test_labels, samples = gen_vqc_qsvm_data(20,5,0.3)
1151 | quantum_kernel = QuantumKernel_VQNet(n_qbits=2)
1152 | quantum_svc = SVC(kernel=quantum_kernel.evaluate)
1153 | quantum_svc.fit(train_features, train_labels)
1154 | score = quantum_svc.score(test_features, test_labels)
1155 | print(f"quantum kernel classification test score: {score}")
1156 |
1157 |
1158 |
1159 | 同时扰动随机近似优化器
1160 | ============================
1161 |
1162 | .. py:class:: pyvqnet.qnn.SPSA(maxiter: int = 1000, last_avg: int = 1, c0: float = _C0, c1: float = 0.2, c2: float = 0.602, c3: float = 0.101, c4: float = 0, init_para=None, model=None, calibrate_flag=False)
1163 |
1164 | 同时扰动随机近似 (SPSA) 优化器。
1165 |
1166 | SPSA 提供了一种用于逼近多元可微成本函数梯度的随机方法。
1167 | 为实现这一点,使用扰动参数向量对成本函数进行两次评估:原始参数向量的每个分量同时随随机生成的值移动。
1168 | `SPSA 网站 `__ 上提供了进一步的介绍。
1169 |
1170 | :param maxiter: 要执行的最大迭代次数。默认值:1000。
1171 | :param last_avg: last_avg 迭代的平均参数。
1172 | 如果 last_avg = 1,则只考虑最后一次迭代。默认值:1。
1173 | :param c0: 初始a。更新参数的步长。默认值:0.2*pi
1174 | :param c1: 初始的c。用于近似梯度的步长。默认值:0.1。
1175 | :param c2: 论文中的alpha,用于在每次迭代时调整a(c0)。默认值:0.602。
1176 | :param c3: 论文中的gamma,每次迭代时用来调整c(c1)。默认值:0.101。
1177 | :param c4: 同样用来控制a的参数。默认值:0。
1178 | :param init_para: 初始化参数。默认值:无。
1179 | :param model: 参数模型:模型。默认值:无。
1180 | :param calibrate_flag: 是否校准超参数 a 和 c,默认值:False。
1181 |
1182 | :return: 一个SPSA优化器实例
1183 |
1184 |
1185 | .. warning::
1186 |
1187 | SPSA只支持一维的输入参数。
1188 |
1189 | Example::
1190 |
1191 | from pyvqnet.qnn import AngleEmbeddingCircuit, expval, QuantumLayerV2, SPSA
1192 | from pyvqnet.qnn.template import BasicEntanglerTemplate
1193 | import pyqpanda as pq
1194 | from pyvqnet.nn.module import Module
1195 | #定义一个量子变分线路模型
1196 | class Model_spsa(Module):
1197 | def __init__(self):
1198 | super(Model_spsa, self).__init__()
1199 | self.qvc = QuantumLayerV2(layer_fn_spsa_pq, 3)
1200 |
1201 | def forward(self, x):
1202 | y = self.qvc(x)
1203 | return y
1204 |
1205 | #本例线路是最小化该VQC的期望值
1206 | def layer_fn_spsa_pq(input, weights):
1207 | num_of_qubits = 1
1208 |
1209 | machine = pq.CPUQVM()
1210 | machine.init_qvm()
1211 | qubits = machine.qAlloc_many(num_of_qubits)
1212 | c1 = AngleEmbeddingCircuit(input, qubits)
1213 | weights =weights.reshape([4,1])
1214 | bc_class = BasicEntanglerTemplate(weights, 1)
1215 | c2 = bc_class.create_circuit(qubits)
1216 | m_prog = pq.QProg()
1217 | m_prog.insert(c1)
1218 | m_prog.insert(c2)
1219 | pauli_dict = {'Z0': 1}
1220 | exp2 = expval(machine, m_prog, pauli_dict, qubits)
1221 |
1222 | return exp2
1223 |
1224 | model = Model_spsa()
1225 | #定义一个SPSA优化器
1226 | optimizer = SPSA(maxiter=20,
1227 | init_para=model.parameters(),
1228 | model=model,
1229 | )
1230 |
1231 |
1232 | .. py:method:: pyvqnet.qnn.SPSA._step(input_data)
1233 |
1234 | 优化 sapa 优化器
1235 |
1236 | :param input_data: 输入训练数据QTensor
1237 | :return:
1238 |
1239 | train_para:最终参数。
1240 |
1241 | theta_best:最后 `last_avg` 次优化后的平均参数。
1242 |
1243 | Example::
1244 |
1245 | import numpy as np
1246 | import pyqpanda as pq
1247 |
1248 | import sys
1249 | sys.path.insert(0, "../")
1250 | import pyvqnet
1251 |
1252 | from pyvqnet.nn.module import Module
1253 | from pyvqnet.qnn import SPSA
1254 | from pyvqnet.tensor.tensor import QTensor
1255 | from pyvqnet.qnn import AngleEmbeddingCircuit, expval, QuantumLayerV2, expval
1256 | from pyvqnet.qnn.template import BasicEntanglerTemplate
1257 |
1258 | #定义一个量子变分线路模型
1259 | class Model_spsa(Module):
1260 | def __init__(self):
1261 | super(Model_spsa, self).__init__()
1262 | self.qvc = QuantumLayerV2(layer_fn_spsa_pq, 3)
1263 |
1264 | def forward(self, x):
1265 | y = self.qvc(x)
1266 | return y
1267 |
1268 | #本例线路是最小化该VQC的期望值
1269 | def layer_fn_spsa_pq(input, weights):
1270 | num_of_qubits = 1
1271 |
1272 | machine = pq.CPUQVM()
1273 | machine.init_qvm()
1274 | qubits = machine.qAlloc_many(num_of_qubits)
1275 | c1 = AngleEmbeddingCircuit(input, qubits)
1276 | weights =weights.reshape([4,1])
1277 | bc_class = BasicEntanglerTemplate(weights, 1)
1278 | c2 = bc_class.create_circuit(qubits)
1279 | m_prog = pq.QProg()
1280 | m_prog.insert(c1)
1281 | m_prog.insert(c2)
1282 | pauli_dict = {'Z0': 1}
1283 | exp2 = expval(machine, m_prog, pauli_dict, qubits)
1284 |
1285 | return exp2
1286 |
1287 | model = Model_spsa()
1288 | #定义一个SPSA优化器
1289 | optimizer = SPSA(maxiter=20,
1290 | init_para=model.parameters(),
1291 | model=model,
1292 | )
1293 | #初始化参数
1294 | data = QTensor(np.array([[0.27507603]]))
1295 | p = model.parameters()
1296 | p[0].data = pyvqnet._core.Tensor( np.array([3.97507603, 3.12950603, 1.00854038,
1297 | 1.25907603]))
1298 | #调用SPSA进行迭代优化
1299 | optimizer._step(input_data=data)
1300 |
1301 | #计算优化后的VQC期望值
1302 | y = model(data)
1303 | print(y)
1304 |
--------------------------------------------------------------------------------
/source/rst/qnn_pq3.rst:
--------------------------------------------------------------------------------
1 | 使用pyQPanda3量子机器学习模块
2 | #################################
3 |
4 | .. warning::
5 |
6 | 以下接口的量子计算部分使用pyqpanda3 https://qcloud.originqc.com.cn/document/qpanda-3/index.html。
7 |
8 | 如果您使用了本模块下的QCloud功能,在代码中导入pyqpanda2 或 使用pyvqnet的pyqpanda2相关封装接口会有错误。
9 |
10 | 量子计算层
11 | ***********************************
12 |
13 | QuantumLayer
14 | ============================
15 |
16 | 如您熟悉pyQPanda3语法,可以使用该接口QuantumLayer,自定义pyqpanda3模拟器进行计算。
17 |
18 | .. py:class:: pyvqnet.qnn.pq3.quantumlayer.QuantumLayer(qprog_with_measure,para_num,diff_method:str = "parameter_shift",delta:float = 0.01,dtype=None,name="")
19 |
20 | 变分量子层的抽象计算模块。对一个参数化的量子线路使用pyQPanda3进行仿真,得到测量结果。该变分量子层继承了VQNet框架的梯度计算模块,可以使用参数漂移法等计算线路参数的梯度,训练变分量子线路模型或将变分量子线路嵌入混合量子和经典模型。
21 |
22 | :param qprog_with_measure: 用pyQPand构建的量子线路运行和测量函数。
23 | :param para_num: `int` - 参数个数。
24 | :param diff_method: 求解量子线路参数梯度的方法,“参数位移”或“有限差分”,默认参数偏移。
25 | :param delta: 有限差分计算梯度时的 \delta。
26 | :param dtype: 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
27 | :param name: 这个模块的名字, 默认为""。
28 |
29 | :return: 一个可以计算量子线路的模块。
30 |
31 | .. note::
32 | qprog_with_measure是pyQPanda中定义的量子线路函数 :https://qcloud.originqc.com.cn/document/qpanda-3/dc/d12/tutorial_quantum_program.html。
33 |
34 | 此函数必须包含输入和参数两个参数作为函数入参(即使某个参数未实际使用),输出为线路的测量结果或者期望值(需要为np.ndarray或包含数值的列表),否则无法在QpandaQCircuitVQCLayerLite中正常运行。
35 |
36 |
37 | 量子线路函数 qprog_with_measure (input,param)的使用可参考下面的例子。
38 |
39 | `input`: 输入一维经典数据。如果没有,输入 None。
40 |
41 | `param`: 输入一维的变分量子线路的待训练参数。
42 |
43 | .. note::
44 |
45 | 该类具有别名 `QuantumLayerV2`, `QpandaQCircuitVQCLayerLite`。
46 |
47 | Example::
48 |
49 | from pyvqnet.qnn.pq3.measure import ProbsMeasure
50 | from pyvqnet.qnn.pq3.quantumlayer import QuantumLayer
51 | from pyvqnet.tensor import QTensor,ones
52 | import pyqpanda3.core as pq
53 | def pqctest (input,param):
54 | num_of_qubits = 4
55 |
56 | m_machine = pq.CPUQVM()
57 |
58 | qubits = range(num_of_qubits)
59 |
60 | circuit = pq.QCircuit()
61 | circuit<`_ 。
565 |
566 | :param input_channels: `int` - 输入通道数。
567 | :param output_channels: `int` - 输出通道数。
568 | :param quantum_number: `int` - 单个内核的大小。
569 | :param stride: `tuple` - 步长,默认为(1,1)。
570 | :param padding: `tuple` - 填充,默认为(0,0)。
571 | :param kernel_initializer: `callable` - 默认为正态分布。
572 | :param machine: `str` - 使用的虚拟机,默认使用CPU模拟。
573 | :param dtype: 参数的数据类型,defaults:None,使用默认数据类型:kfloat32,代表32位浮点数。
574 | :param name: 这个模块的名字, 默认为""。
575 |
576 |
577 | :return: 量子卷积层。
578 |
579 | Example::
580 |
581 | from pyvqnet.tensor import tensor
582 | from pyvqnet.qnn.qcnn.qconv import QConv
583 | x = tensor.ones([1,3,4,4])
584 | layer = QConv(input_channels=3, output_channels=2, quantum_number=4, stride=(2, 2))
585 | y = layer(x)
586 | print(y)
587 |
588 | # [
589 | # [[[-0.0889078, -0.0889078],
590 | # [-0.0889078, -0.0889078]],
591 | # [[0.7992646, 0.7992646],
592 | # [0.7992646, 0.7992646]]]
593 | # ]
594 |
595 |
596 |
597 | 量子逻辑门
598 | ***********************************
599 |
600 | 处理量子比特的方式就是量子逻辑门。 使用量子逻辑门,我们有意识的使量子态发生演化。量子逻辑门是构成量子算法的基础。
601 |
602 |
603 | 基本量子逻辑门
604 | ============================
605 |
606 | 在VQNet中,我们使用本源量子自研的 `pyqpanda3 `_ 的各个逻辑门搭建量子线路,进行量子模拟。
607 | 当前pyQPanda支持的逻辑门可参考pyQPanda3 `量子逻辑门 `_ 部分的定义。
608 | 此外VQNet还封装了部分在量子机器学习中常用的量子逻辑门组合:
609 |
610 |
611 | .. _pq3_gate:
612 |
613 | BasicEmbeddingCircuit
614 | ============================
615 |
616 | .. py:function:: pyvqnet.qnn.pq3.template.BasicEmbeddingCircuit(input_feat,qlist)
617 |
618 | 将n个二进制特征编码为n个量子比特的基态。
619 |
620 | 例如, 对于 ``features=([0, 1, 1])``, 在量子系统下其基态为 :math:`|011 \rangle`。
621 |
622 | :param input_feat: ``(n)`` 大小的二进制输入。
623 | :param qlist: 构建该模板线路量子比特。
624 | :return: 量子线路。
625 |
626 | Example::
627 |
628 | from pyvqnet.qnn.pq3.template import BasicEmbeddingCircuit
629 | import pyqpanda3.core as pq
630 | from pyvqnet import tensor
631 | input_feat = tensor.QTensor([1,1,0])
632 |
633 | qlist = range(3)
634 | circuit = BasicEmbeddingCircuit(input_feat,qlist)
635 | print(circuit)
636 |
637 | AngleEmbeddingCircuit
638 | ============================
639 |
640 | .. py:function:: pyvqnet.qnn.pq3.template.AngleEmbeddingCircuit(input_feat,qubits,rotation:str='X')
641 |
642 | 将 :math:`N` 特征编码到 :math:`n` 量子比特的旋转角度中, 其中 :math:`N \leq n`。
643 |
644 | 旋转可以选择为 : 'X' , 'Y' , 'Z', 如 ``rotation`` 的参数定义为:
645 |
646 | * ``rotation='X'`` 将特征用作RX旋转的角度。
647 |
648 | * ``rotation='Y'`` 将特征用作RY旋转的角度。
649 |
650 | * ``rotation='Z'`` 将特征用作RZ旋转的角度。
651 |
652 | ``features`` 的长度必须小于或等于量子比特的数量。如果 ``features`` 中的长度少于量子比特,则线路不应用剩余的旋转门。
653 |
654 | :param input_feat: 表示参数的numpy数组。
655 | :param qubits: 量子比特索引。
656 | :param rotation: 使用什么旋转,默认为“X”。
657 | :return: 量子线路。
658 |
659 | Example::
660 |
661 | from pyvqnet.qnn.pq3.template import AngleEmbeddingCircuit
662 | import numpy as np
663 | m_qlist = range(2)
664 |
665 | input_feat = np.array([2.2, 1])
666 | C = AngleEmbeddingCircuit(input_feat,m_qlist,'X')
667 | print(C)
668 | C = AngleEmbeddingCircuit(input_feat,m_qlist,'Y')
669 | print(C)
670 | C = AngleEmbeddingCircuit(input_feat,m_qlist,'Z')
671 | print(C)
672 |
673 |
674 | IQPEmbeddingCircuits
675 | ============================
676 |
677 | .. py:function:: pyvqnet.qnn.pq3.template.IQPEmbeddingCircuits(input_feat,qubits,rep:int = 1)
678 |
679 | 使用IQP线路的对角门将 :math:`n` 特征编码为 :math:`n` 量子比特。
680 |
681 | 编码是由 `Havlicek et al. (2018) `_ 提出。
682 |
683 | 通过指定 ``n_repeats`` ,可以重复基本IQP线路。
684 |
685 | :param input_feat: 表示参数的numpy数组。
686 | :param qubits: 量子比特索引列表。
687 | :param rep: 重复量子线路块,默认次数1。
688 | :return: 量子线路。
689 |
690 | Example::
691 |
692 | import numpy as np
693 | from pyvqnet.qnn.pq3.template import IQPEmbeddingCircuits
694 | input_feat = np.arange(1,100)
695 | qlist = range(3)
696 | circuit = IQPEmbeddingCircuits(input_feat,qlist,rep = 3)
697 | print(circuit)
698 |
699 | RotCircuit
700 | ============================
701 |
702 | .. py:function:: pyvqnet.qnn.pq3.template.RotCircuit(para,qubits)
703 |
704 | 任意单量子比特旋转。qlist的数量应该是1,参数的数量应该是3。
705 |
706 | .. math::
707 |
708 | R(\phi,\theta,\omega) = RZ(\omega)RY(\theta)RZ(\phi)= \begin{bmatrix}
709 | e^{-i(\phi+\omega)/2}\cos(\theta/2) & -e^{i(\phi-\omega)/2}\sin(\theta/2) \\
710 | e^{-i(\phi-\omega)/2}\sin(\theta/2) & e^{i(\phi+\omega)/2}\cos(\theta/2)
711 | \end{bmatrix}.
712 |
713 |
714 | :param para: 表示参数 :math:`[\phi, \theta, \omega]` 的numpy数组。
715 | :param qubits: 量子比特索引,只接受单个量子比特。
716 | :return: 量子线路。
717 |
718 | Example::
719 |
720 | from pyvqnet.qnn.pq3.template import RotCircuit
721 | import pyqpanda3.core as pq
722 | from pyvqnet import tensor
723 |
724 | m_qlist = 1
725 |
726 | param =tensor.QTensor([3,4,5])
727 | c = RotCircuit(param,m_qlist)
728 | print(c)
729 |
730 |
731 | CRotCircuit
732 | ============================
733 |
734 | .. py:function:: pyvqnet.qnn.pq3.template.CRotCircuit(para,control_qubits,rot_qubits)
735 |
736 | 受控Rot操作符。
737 |
738 | .. math:: CR(\phi, \theta, \omega) = \begin{bmatrix}
739 | 1 & 0 & 0 & 0 \\
740 | 0 & 1 & 0 & 0\\
741 | 0 & 0 & e^{-i(\phi+\omega)/2}\cos(\theta/2) & -e^{i(\phi-\omega)/2}\sin(\theta/2)\\
742 | 0 & 0 & e^{-i(\phi-\omega)/2}\sin(\theta/2) & e^{i(\phi+\omega)/2}\cos(\theta/2)
743 | \end{bmatrix}.
744 |
745 | :param para: 表示参数 :math:`[\phi, \theta, \omega]` 的numpy数组。
746 | :param control_qubits: 量子比特索引,量子比特的数量应为1。
747 | :param rot_qubits: Rot量子比特索引,量子比特的数量应为1。
748 | :return: 量子线路。
749 |
750 | Example::
751 |
752 | from pyvqnet.qnn.pq3.template import CRotCircuit
753 | import pyqpanda3.core as pq
754 | import numpy as np
755 | m_qlist = range(1)
756 | control_qlist = [1]
757 | param = np.array([3,4,5])
758 | cir = CRotCircuit(param,control_qlist,m_qlist)
759 |
760 | print(cir)
761 |
762 |
763 | CSWAPcircuit
764 | ============================
765 |
766 | .. py:function:: pyvqnet.qnn.pq3.template.CSWAPcircuit(qubits)
767 |
768 | 受控SWAP线路。
769 |
770 | .. math:: CSWAP = \begin{bmatrix}
771 | 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\
772 | 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 \\
773 | 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 \\
774 | 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 \\
775 | 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\
776 | 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \\
777 | 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 \\
778 | 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1
779 | \end{bmatrix}.
780 |
781 | .. note:: 提供的第一个量子比特对应于 **control qubit** 。
782 |
783 | :param qubits: 量子比特索引列表第一个量子比特是控制量子比特。qlist的长度必须为3。
784 | :return: 量子线路。
785 |
786 | Example::
787 |
788 | from pyvqnet.qnn.pq3 import CSWAPcircuit
789 | import pyqpanda3.core as pq
790 | m_machine = pq.CPUQVM()
791 |
792 | m_qlist = range(3)
793 |
794 | c =CSWAPcircuit([m_qlist[1],m_qlist[2],m_qlist[0]])
795 | print(c)
796 |
797 | Controlled_Hadamard
798 | =======================
799 |
800 | .. py:function:: pyvqnet.qnn.pq3.template.Controlled_Hadamard(qubits)
801 |
802 | 受控Hadamard逻辑门
803 |
804 | .. math:: CH = \begin{bmatrix}
805 | 1 & 0 & 0 & 0 \\
806 | 0 & 1 & 0 & 0 \\
807 | 0 & 0 & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \\
808 | 0 & 0 & \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}}
809 | \end{bmatrix}.
810 |
811 | :param qubits: 量子比特索引。
812 |
813 | Examples::
814 |
815 | import pyqpanda3.core as pq
816 |
817 | machine = pq.CPUQVM()
818 |
819 | qubits =range(2)
820 | from pyvqnet.qnn.pq3 import Controlled_Hadamard
821 |
822 | cir = Controlled_Hadamard(qubits)
823 | print(cir)
824 |
825 | CCZ
826 | ==============
827 |
828 | .. py:function:: pyvqnet.qnn.pq3.template.CCZ(qubits)
829 |
830 | 受控-受控-Z (controlled-controlled-Z) 逻辑门。
831 |
832 | .. math::
833 |
834 | CCZ =
835 | \begin{pmatrix}
836 | 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0\\
837 | 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0\\
838 | 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0\\
839 | 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0\\
840 | 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0\\
841 | 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0\\
842 | 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0\\
843 | 0 & 0 & 0 & 0 & 0 & 0 & 0 & -1
844 | \end{pmatrix}
845 |
846 | :param qubits: 量子比特索引。
847 |
848 | :return:
849 | pyqpanda QCircuit
850 |
851 | Example::
852 |
853 | import pyqpanda3.core as pq
854 |
855 | machine = pq.CPUQVM()
856 |
857 | qubits = range(3)
858 | from pyvqnet.qnn.pq3 import CCZ
859 |
860 | cir = CCZ(qubits)
861 |
862 |
863 | FermionicSingleExcitation
864 | ============================
865 |
866 | .. py:function:: pyvqnet.qnn.pq3.template.FermionicSingleExcitation(weight, wires, qubits)
867 |
868 | 对泡利矩阵的张量积求幂的耦合簇单激励算子。矩阵形式下式给出:
869 |
870 | .. math::
871 |
872 | \hat{U}_{pr}(\theta) = \mathrm{exp} \{ \theta_{pr} (\hat{c}_p^\dagger \hat{c}_r
873 | -\mathrm{H.c.}) \},
874 |
875 | :param weight: 量子比特 p 上的变参.
876 | :param wires: 表示区间[r, p]中的量子比特索引子集。最小长度必须为2。第一索引值被解释为r,最后一个索引值被解释为p。
877 | 中间的索引被CNOT门作用,以计算量子位集的奇偶校验。
878 | :param qubits: 量子比特索引。
879 |
880 | :return:
881 | pyqpanda QCircuit
882 |
883 | Examples::
884 |
885 | from pyvqnet.qnn.pq3 import FermionicSingleExcitation, expval
886 |
887 | weight = 0.5
888 | import pyqpanda3.core as pq
889 | machine = pq.CPUQVM()
890 |
891 | qlists = range(3)
892 |
893 | cir = FermionicSingleExcitation(weight, [1, 0, 2], qlists)
894 |
895 |
896 |
897 | FermionicDoubleExcitation
898 | ============================
899 |
900 | .. py:function:: pyvqnet.qnn.pq3.template.FermionicDoubleExcitation(weight, wires1, wires2, qubits)
901 |
902 | 对泡利矩阵的张量积求幂的耦合聚类双激励算子,矩阵形式由下式给出:
903 |
904 | .. math::
905 |
906 | \hat{U}_{pqrs}(\theta) = \mathrm{exp} \{ \theta (\hat{c}_p^\dagger \hat{c}_q^\dagger
907 | \hat{c}_r \hat{c}_s - \mathrm{H.c.}) \},
908 |
909 | 其中 :math:`\hat{c}` 和 :math:`\hat{c}^\dagger` 是费米子湮灭和
910 | 创建运算符和索引 :math:`r, s` 和 :math:`p, q` 在占用的和
911 | 分别为空分子轨道。 使用 `Jordan-Wigner 变换
912 | `_ 上面定义的费米子算子可以写成
913 | 根据 Pauli 矩阵(有关更多详细信息,请参见
914 | `arXiv:1805.04340 `_)
915 |
916 | .. math::
917 |
918 | \hat{U}_{pqrs}(\theta) = \mathrm{exp} \Big\{
919 | \frac{i\theta}{8} \bigotimes_{b=s+1}^{r-1} \hat{Z}_b \bigotimes_{a=q+1}^{p-1}
920 | \hat{Z}_a (\hat{X}_s \hat{X}_r \hat{Y}_q \hat{X}_p +
921 | \hat{Y}_s \hat{X}_r \hat{Y}_q \hat{Y}_p +\\ \hat{X}_s \hat{Y}_r \hat{Y}_q \hat{Y}_p +
922 | \hat{X}_s \hat{X}_r \hat{X}_q \hat{Y}_p - \mathrm{H.c.} ) \Big\}
923 |
924 | :param weight: 可变参数
925 | :param wires1: 代表的量子比特的索引列表区间 [s, r] 中占据量子比特的子集。第一个索引被解释为 s,最后一索引被解释为 r。 CNOT 门对中间的索引进行操作,以计算一组量子位的奇偶性。
926 | :param wires2: 代表的量子比特的索引列表区间 [q, p] 中占据量子比特的子集。第一根索引被解释为 q,最后一索引被解释为 p。 CNOT 门对中间的索引进行操作,以计算一组量子位的奇偶性。
927 | :param qubits: 量子比特索引。
928 |
929 | :return:
930 | pyqpanda QCircuit
931 |
932 | Examples::
933 |
934 | import pyqpanda3.core as pq
935 | from pyvqnet.qnn.pq3 import FermionicDoubleExcitation, expval
936 | machine = pq.CPUQVM()
937 |
938 | qlists = range(5)
939 | weight = 1.5
940 | cir = FermionicDoubleExcitation(weight,
941 | wires1=[0, 1],
942 | wires2=[2, 3, 4],
943 | qubits=qlists)
944 |
945 | UCCSD
946 | ==================
947 |
948 | .. py:function:: pyvqnet.qnn.pq3.template.UCCSD(weights, wires, s_wires, d_wires, init_state, qubits)
949 |
950 | 实现酉耦合簇单激发和双激发拟设(UCCSD)。UCCSD 是 VQE 拟设,通常用于运行量子化学模拟。
951 |
952 | 在一阶 Trotter 近似内,UCCSD 酉函数由下式给出:
953 |
954 | .. math::
955 |
956 | \hat{U}(\vec{\theta}) =
957 | \prod_{p > r} \mathrm{exp} \Big\{\theta_{pr}
958 | (\hat{c}_p^\dagger \hat{c}_r-\mathrm{H.c.}) \Big\}
959 | \prod_{p > q > r > s} \mathrm{exp} \Big\{\theta_{pqrs}
960 | (\hat{c}_p^\dagger \hat{c}_q^\dagger \hat{c}_r \hat{c}_s-\mathrm{H.c.}) \Big\}
961 |
962 | 其中 :math:`\hat{c}` 和 :math:`\hat{c}^\dagger` 是费米子湮灭和
963 | 创建运算符和索引 :math:`r, s` 和 :math:`p, q` 在占用的和
964 | 分别为空分子轨道。(更多细节见
965 | `arXiv:1805.04340 `_):
966 |
967 |
968 | :param weights: 包含参数的大小 ``(len(s_wires)+ len(d_wires))`` 张量
969 | :math:`\theta_{pr}` 和 :math:`\theta_{pqrs}` 输入 Z 旋转
970 | ``FermionicSingleExcitation`` 和 ``FermionicDoubleExcitation`` 。
971 | :param wires: 模板作用的量子比特索引
972 | :param s_wires: 包含量子比特索引的列表序列 ``[r,...,p]``
973 | 由单一激发产生
974 | :math:`\vert r, p \rangle = \hat{c}_p^\dagger \hat{c}_r \vert \mathrm{HF} \rangle`,
975 | 其中 :math:`\vert \mathrm{HF} \rangle` 表示 Hartee-Fock 参考态。
976 | :param d_wires: 列表序列,每个列表包含两个列表
977 | 指定索引 ``[s, ...,r]`` 和 ``[q,..., p]``
978 | 定义双激励 :math:`\vert s, r, q, p \rangle = \hat{c}_p^\dagger \hat{c}_q^\dagger \hat{c}_r\hat{c}_s \vert \mathrm{HF} \rangle` 。
979 | :param init_state: 长度 ``len(wires)`` occupation-number vector 表示
980 | 高频状态。 ``init_state`` 在量子比特初始化状态。
981 | :param qubits: 量子比特索引。
982 |
983 | Examples::
984 |
985 | import pyqpanda3.core as pq
986 | from pyvqnet.tensor import tensor
987 | from pyvqnet.qnn.pq3 import UCCSD, expval
988 | machine = pq.CPUQVM()
989 |
990 | qlists = range(6)
991 | weight = tensor.zeros([8])
992 | cir = UCCSD(weight,wires = [0,1,2,3,4,5,6],
993 | s_wires=[[0, 1, 2], [0, 1, 2, 3, 4], [1, 2, 3], [1, 2, 3, 4, 5]],
994 | d_wires=[[[0, 1], [2, 3]], [[0, 1], [2, 3, 4, 5]], [[0, 1], [3, 4]], [[0, 1], [4, 5]]],
995 | init_state=[1, 1, 0, 0, 0, 0],
996 | qubits=qlists)
997 |
998 |
999 |
1000 | QuantumPoolingCircuit
1001 | ============================
1002 |
1003 | .. py:function:: pyvqnet.qnn.pq3.template.QuantumPoolingCircuit(sources_wires, sinks_wires, params,qubits)
1004 |
1005 | 对数据进行降采样的量子电路。
1006 |
1007 | 为了减少电路中的量子位数量,首先在系统中创建成对的量子位。在最初配对所有量子位之后,将广义2量子位酉元应用于每一对量子位上。并在应用这两个量子位酉元之后,在神经网络的其余部分忽略每对量子位中的一个量子位。
1008 |
1009 | :param sources_wires: 将被忽略的源量子位索引。
1010 | :param sinks_wires: 将保留的目标量子位索引。
1011 | :param params: 输入参数。
1012 | :param qubits: 量子比特索引。
1013 |
1014 | :return:
1015 | pyqpanda QCircuit
1016 |
1017 | Examples::
1018 |
1019 | from pyvqnet.qnn.pq3.template import QuantumPoolingCircuit
1020 | import pyqpanda3.core as pq
1021 | from pyvqnet import tensor
1022 |
1023 | qlists = range(4)
1024 | p = tensor.full([6], 0.35)
1025 | cir = QuantumPoolingCircuit([0, 1], [2, 3], p, qlists)
1026 | print(cir)
1027 |
1028 | 常用量子线路组合
1029 | ***********************************
1030 | VQNet提供了量子机器学习研究中常用的一些量子线路
1031 |
1032 |
1033 | HardwareEfficientAnsatz
1034 | ============================
1035 |
1036 | .. py:class:: pyvqnet.qnn.pq3.ansatz.HardwareEfficientAnsatz(qubits,single_rot_gate_list,entangle_gate="CNOT",entangle_rules='linear',depth=1)
1037 |
1038 | 论文介绍的Hardware Efficient Ansatz的实现: `Hardware-efficient Variational Quantum Eigensolver for Small Molecules `__ 。
1039 |
1040 | :param qubits: 量子比特索引。
1041 | :param single_rot_gate_list: 单个量子位旋转门列表由一个或多个作用于每个量子位的旋转门构成。目前支持 Rx、Ry、Rz。
1042 | :param entangle_gate: 非参数化纠缠门。支持CNOT、CZ。默认: CNOT。
1043 | :param entangle_rules: 电路中如何使用纠缠门。 ``linear`` 意味着纠缠门将作用于每个相邻的量子位。 ``all`` 意味着纠缠门将作用于任何两个 qbuits。 默认值:``linear``。
1044 | :param depth: ansatz 的深度,默认:1。
1045 |
1046 | Example::
1047 |
1048 | import pyqpanda3.core as pq
1049 | from pyvqnet.tensor import QTensor,tensor
1050 | from pyvqnet.qnn.pq3.ansatz import HardwareEfficientAnsatz
1051 | machine = pq.CPUQVM()
1052 |
1053 | qlist = range(4)
1054 | c = HardwareEfficientAnsatz(qlist,["rx", "RY", "rz"],
1055 | entangle_gate="cnot",
1056 | entangle_rules="linear",
1057 | depth=1)
1058 | w = tensor.ones([c.get_para_num()])
1059 |
1060 | cir = c.create_ansatz(w)
1061 | print(cir)
1062 |
1063 | BasicEntanglerTemplate
1064 | ============================
1065 |
1066 | .. py:class:: pyvqnet.qnn.pq3.template.BasicEntanglerTemplate(weights=None, num_qubits=1, rotation=pyqpanda.RX)
1067 |
1068 | 由每个量子位上的单参数单量子位旋转组成的层,后跟一个闭合链或环组合的多个CNOT 门。
1069 |
1070 | CNOT 门环将每个量子位与其邻居连接起来,最后一个量子位被认为是第一个量子位的邻居。
1071 |
1072 | 层数 :math:`L` 由参数 ``weights`` 的第一个维度决定。
1073 |
1074 | :param weights: 形状的权重张量 `(L, len(qubits))`。 每个权重都用作量子含参门中的参数。默认值为: ``None`` ,则使用 `(1,1)` 正态分布随机数作为权重。
1075 | :param num_qubits: 量子比特数,默认为1。
1076 | :param rotation: 使用单参数单量子比特门,``pyqpanda.RX`` 被用作默认值。
1077 |
1078 | Example::
1079 |
1080 | import pyqpanda3.core as pq
1081 | import numpy as np
1082 | from pyvqnet.qnn.pq3 import BasicEntanglerTemplate
1083 | np.random.seed(42)
1084 | num_qubits = 5
1085 | shape = [1, num_qubits]
1086 | weights = np.random.random(size=shape)
1087 |
1088 | machine = pq.CPUQVM()
1089 |
1090 | qubits = range(num_qubits)
1091 |
1092 | circuit = BasicEntanglerTemplate(weights=weights, num_qubits=num_qubits, rotation=pq.RZ)
1093 | result = circuit.compute_circuit()
1094 | circuit.print_circuit(qubits)
1095 |
1096 |
1097 | StronglyEntanglingTemplate
1098 | ============================
1099 |
1100 | .. py:class:: pyvqnet.qnn.pq3.template.StronglyEntanglingTemplate(weights=None, num_qubits=1, ranges=None)
1101 |
1102 | 由单个量子比特旋转和纠缠器组成的层,参考 `circuit-centric classifier design `__ .
1103 |
1104 | 参数 ``weights`` 包含每一层的权重。 因此得出层数 :math:`L` 等于 ``weights`` 的第一个维度。
1105 |
1106 | 其包含2-qubit CNOT 门,作用于 :math:`M` 个量子比特上,:math:`i = 1,...,M`。 每个门的第二个量子位标号由公式 :math:`(i+r)\mod M` 给出,其中 :math:`r` 是一个称为 ``range`` 的超参数,并且 :math:`0 < r < M`。
1107 |
1108 | :param weights: 形状为 ``(L, M, 3)`` 的权重张量,默认值:None,使用形状为 ``(1,1,3)`` 的随机张量。
1109 | :param num_qubits: 量子比特数,默认值:1。
1110 | :param ranges: 确定每个后续层的范围超参数的序列; 默认值:None,使用 :math:`r=l \ mod M` 作为ranges 的值。
1111 |
1112 | Example::
1113 |
1114 | from pyvqnet.qnn.pq3 import StronglyEntanglingTemplate
1115 | import pyqpanda3.core as pq
1116 | from pyvqnet.tensor import *
1117 | import numpy as np
1118 | np.random.seed(42)
1119 | num_qubits = 3
1120 | shape = [2, num_qubits, 3]
1121 | weights = np.random.random(size=shape)
1122 |
1123 | machine = pq.CPUQVM()
1124 |
1125 | qubits = range(num_qubits)
1126 |
1127 | circuit = StronglyEntanglingTemplate(weights, num_qubits=num_qubits )
1128 | result = circuit.compute_circuit()
1129 | print(result)
1130 | circuit.print_circuit(qubits)
1131 |
1132 |
1133 | ComplexEntangelingTemplate
1134 | ============================
1135 |
1136 | .. py:class:: pyvqnet.qnn.pq3.ComplexEntangelingTemplate(weights,num_qubits,depth)
1137 |
1138 |
1139 | 由 U3 门和 CNOT 门组成的强纠缠层。
1140 | 此线路模板来自以下论文:https://arxiv.org/abs/1804.00633。
1141 |
1142 | :param weights: 参数,[depth,num_qubits,3]的形状
1143 | :param num_qubits: 量子比特数。
1144 | :param depth: 子电路的深度。
1145 |
1146 | Example::
1147 |
1148 | from pyvqnet.qnn.pq3 import ComplexEntangelingTemplate
1149 | import pyqpanda3.core as pq
1150 | from pyvqnet.tensor import *
1151 | depth =3
1152 | num_qubits = 8
1153 | shape = [depth, num_qubits, 3]
1154 | weights = tensor.randn(shape)
1155 |
1156 | machine = pq.CPUQVM()
1157 |
1158 | qubits = range(num_qubits)
1159 |
1160 | circuit = ComplexEntangelingTemplate(weights, num_qubits=num_qubits,depth=depth)
1161 | result = circuit.create_circuit(qubits)
1162 | circuit.print_circuit(qubits)
1163 |
1164 | Quantum_Embedding
1165 | ============================
1166 |
1167 | .. py:class:: pyvqnet.qnn.pq3.Quantum_Embedding(qubits, machine, num_repetitions_input, depth_input, num_unitary_layers, num_repetitions)
1168 |
1169 | 使用 RZ,RY,RZ 创建变分量子电路,将经典数据编码为量子态。
1170 | 参考 `Quantum embeddings for machine learning `_。
1171 | 在初始化该类后,其成员函数 ``compute_circuit`` 为运行函数,可作为参数输入 ``QuantumLayerV2`` 类构成量子机器学习模型的一层。
1172 |
1173 | :param qubits: 使用pyqpanda 申请的量子比特。
1174 | :param machine: 使用pyqpanda 申请的量子虚拟机。
1175 | :param num_repetitions_input: 在子模块中对输入进行编码的重复次数。
1176 | :param depth_input: 输入数据的特征维度。
1177 | :param num_unitary_layers: 每个子模块中变分量子门的重复次数。
1178 | :param num_repetitions: 子模块的重复次数。
1179 |
1180 | Example::
1181 |
1182 | from pyvqnet.qnn.pq3 import QuantumLayerV2,Quantum_Embedding
1183 | from pyvqnet.tensor import tensor
1184 | import pyqpanda3.core as pq
1185 | depth_input = 2
1186 | num_repetitions = 2
1187 | num_repetitions_input = 2
1188 | num_unitary_layers = 2
1189 |
1190 | loacl_machine = pq.CPUQVM()
1191 |
1192 | nq = depth_input * num_repetitions_input
1193 | qubits = range(nq)
1194 | cubits = range(nq)
1195 |
1196 | data_in = tensor.ones([12, depth_input])
1197 | data_in.requires_grad = True
1198 |
1199 | qe = Quantum_Embedding(nq, loacl_machine, num_repetitions_input,
1200 | depth_input, num_unitary_layers, num_repetitions)
1201 | qlayer = QuantumLayerV2(qe.compute_circuit,
1202 | qe.param_num)
1203 |
1204 | data_in.requires_grad = True
1205 | y = qlayer.forward(data_in)
1206 | y.backward()
1207 | print(data_in.grad)
1208 |
1209 |
1210 |
1211 | 对量子线路进行测量
1212 | ***********************************
1213 |
1214 |
1215 | expval
1216 | ============================
1217 |
1218 | .. py:function:: pyvqnet.qnn.pq3.measure.expval(machine,prog,pauli_str_dict)
1219 |
1220 | 提供的哈密顿量观测值的期望值。
1221 |
1222 | 如果观测值是 :math:`0.7Z\otimes X\otimes I+0.2I\otimes Z\otimes I`,
1223 | 那么 Hamiltonian dict 将是 ``{{'Z0, X1':0.7} ,{'Z1':0.2}}`` 。
1224 |
1225 | expval api现在支持pyQPanda3 的模拟器 。
1226 |
1227 | :param machine: 由pyQPanda创建的量子虚拟机。
1228 | :param prog: pyQPanda创建的量子工程。
1229 | :param pauli_str_dict: 哈密顿量观测值。
1230 |
1231 | :return: 期望值。
1232 |
1233 |
1234 | Example::
1235 |
1236 | import pyqpanda3.core as pq
1237 | from pyvqnet.qnn.pq3.measure import expval
1238 | input = [0.56, 0.1]
1239 | m_machine = pq.CPUQVM()
1240 |
1241 | m_qlist = range(3)
1242 | cir = pq.QCircuit(3)
1243 | cir<111 开始。
1350 | :param indices: 所考虑子系统中的量子比特索引列表。
1351 | :return: 大小为“(2**len(indices), 2**len(indices))”的密度矩阵。
1352 |
1353 | Example::
1354 |
1355 | from pyvqnet.qnn.pq3.measure import DensityMatrixFromQstate
1356 | qstate = [(0.9306699299765968+0j), (0.18865613455240968+0j), (0.1886561345524097+0j), (0.03824249173404786+0j), -0.048171819846746615j, -0.00976491131165138j, -0.23763904794287155j, -0.048171819846746615j]
1357 | print(DensityMatrixFromQstate(qstate,[0,1]))
1358 | # [[0.86846704+0.j 0.1870241 +0.j 0.17604699+0.j 0.03791166+0.j]
1359 | # [0.1870241 +0.j 0.09206345+0.j 0.03791166+0.j 0.01866219+0.j]
1360 | # [0.17604699+0.j 0.03791166+0.j 0.03568649+0.j 0.00768507+0.j]
1361 | # [0.03791166+0.j 0.01866219+0.j 0.00768507+0.j 0.00378301+0.j]]
1362 |
1363 | VN_Entropy
1364 | ==============
1365 | .. py:function:: pyvqnet.qnn.pq3.measure.VN_Entropy(state, indices, base=None)
1366 |
1367 | 根据给定 qubits 列表上的状态向量计算Von Neumann熵 。
1368 |
1369 | .. math::
1370 | S( \rho ) = -\text{Tr}( \rho \log ( \rho ))
1371 |
1372 | :param state: 一维列表状态向量。 这个列表的大小应该是 ``(2**N,)`` 对于量子比特个数 ``N`` ,qstate 应该从 000 ->111 开始。
1373 | :param indices: 所考虑子系统中的量子比特索引列表。
1374 | :param base: 对数的底。 如果没有,则使用自然对数。
1375 |
1376 | :return: 冯诺依曼熵的浮点值.
1377 |
1378 | Example::
1379 |
1380 | from pyvqnet.qnn.pq3.measure import VN_Entropy
1381 | qstate = [(0.9022961387408862 + 0j), -0.06676534788028633j,
1382 | (0.18290448232350312 + 0j), -0.3293638014158896j,
1383 | (0.03707657410649268 + 0j), -0.06676534788028635j,
1384 | (0.18290448232350312 + 0j), -0.013534006039561714j]
1385 | print(VN_Entropy(qstate, [0, 1]))
1386 | #0.14592917648464448
1387 |
1388 | Mutal_Info
1389 | ==============
1390 | .. py:function:: pyvqnet.qnn.pq3.measure.Mutal_Info(state, indices0, indices1, base=None)
1391 |
1392 | 根据给定两个子 qubits 列表上的状态向量计算互信息 。
1393 |
1394 | .. math::
1395 |
1396 | I(A, B) = S(\rho^A) + S(\rho^B) - S(\rho^{AB})
1397 |
1398 | 其中 :math:`S` 是冯诺依曼熵。
1399 |
1400 | 互信息是衡量两个子系统之间相关性的指标。更具体地说,它量化了一个系统通过测量另一个系统获得的信息量。
1401 |
1402 | 每个状态都可以作为计算基础中的状态向量给出。
1403 |
1404 | :param state: 一维列表状态向量。 这个列表的大小应该是 ``(2**N,)`` 对于量子比特个数 ``N`` , qstate 应该从 000 ->111 开始。
1405 | :param indices0: 第一个子系统中的量子比特索引列表。
1406 | :param indices1: 第二个子系统中的量子比特索引列表。
1407 | :param base: 对数的底。 如果为None,则使用自然对数,默认为None。
1408 |
1409 | :return: 子系统之间的相互信息
1410 |
1411 | Example::
1412 |
1413 | from pyvqnet.qnn.pq3.measure import Mutal_Info
1414 | qstate = [(0.9022961387408862 + 0j), -0.06676534788028633j,
1415 | (0.18290448232350312 + 0j), -0.3293638014158896j,
1416 | (0.03707657410649268 + 0j), -0.06676534788028635j,
1417 | (0.18290448232350312 + 0j), -0.013534006039561714j]
1418 | print(Mutal_Info(qstate, [0], [2], 2))
1419 | #0.13763425302805887
1420 |
1421 |
1422 |
1423 | Purity
1424 | =========================
1425 |
1426 | .. py:function:: pyvqnet.qnn.pq3.measure.Purity(state, qubits_idx)
1427 |
1428 |
1429 | 从态矢中计算特定量子比特上的纯度。
1430 |
1431 | .. math::
1432 | \gamma = \text{Tr}(\rho^2)
1433 |
1434 | 式中 :math:`\rho` 为密度矩阵。标准化量子态的纯度满足 :math:`\frac{1}{d} \leq \gamma \leq 1` ,
1435 | 其中 :math:`d` 是希尔伯特空间的维数。
1436 | 纯态的纯度是1。
1437 |
1438 | :param state: 从pyqpanda get_qstate()获取的量子态
1439 | :param qubits_idx: 要计算纯度的量子比特位索引
1440 |
1441 | :return:
1442 | 纯度
1443 |
1444 | Examples::
1445 |
1446 | from pyvqnet.qnn.pq3.measure import Purity
1447 | qstate = [(0.9306699299765968 + 0j), (0.18865613455240968 + 0j),
1448 | (0.1886561345524097 + 0j), (0.03824249173404786 + 0j),
1449 | -0.048171819846746615j, -0.00976491131165138j, -0.23763904794287155j,
1450 | -0.048171819846746615j]
1451 | pp = Purity(qstate, [1])
1452 | print(pp)
1453 | #0.902503479761881
1454 |
--------------------------------------------------------------------------------
/source/rst/utils.rst:
--------------------------------------------------------------------------------
1 | 实用函数
2 | ######################
3 |
4 |
5 |
6 | 随机种子生成
7 | *******************************************
8 |
9 | set_random_seed
10 | ==============================
11 |
12 | .. py:function:: pyvqnet.utils.set_random_seed(seed)
13 |
14 | 设定全局随机种子。
15 |
16 | :param seed: 随机数种子。
17 |
18 | .. note::
19 | 当指定固定随机数种子时,随机分布将依据随机种子产生固定的伪随机分布。
20 | 影响包括: `tensor.randu` , `tensor.randn` ,含参经典神经网络以及量子计算层的参数初始化。
21 |
22 | Example::
23 |
24 | import pyvqnet.tensor as tensor
25 | from pyvqnet.utils import get_random_seed, set_random_seed
26 |
27 | set_random_seed(256)
28 |
29 |
30 | rn = tensor.randn([2, 3])
31 | print(rn)
32 | rn = tensor.randn([2, 3])
33 | print(rn)
34 | rn = tensor.randu([2, 3])
35 | print(rn)
36 | rn = tensor.randu([2, 3])
37 | print(rn)
38 |
39 | print("########################################################")
40 | from pyvqnet.nn.parameter import Parameter
41 | from pyvqnet.utils.initializer import he_normal, he_uniform, xavier_normal, xavier_uniform, uniform, quantum_uniform, normal
42 | print(Parameter(shape=[2, 3], initializer=he_normal))
43 | print(Parameter(shape=[2, 3], initializer=he_uniform))
44 | print(Parameter(shape=[2, 3], initializer=xavier_normal))
45 | print(Parameter(shape=[2, 3], initializer=xavier_uniform))
46 | print(Parameter(shape=[2, 3], initializer=uniform))
47 | print(Parameter(shape=[2, 3], initializer=quantum_uniform))
48 | print(Parameter(shape=[2, 3], initializer=normal))
49 | # [
50 | # [-1.2093765, 1.1265280, 0.0796480],
51 | # [0.2420146, 1.2623813, 0.2844022]
52 | # ]
53 | # [
54 | # [-1.2093765, 1.1265280, 0.0796480],
55 | # [0.2420146, 1.2623813, 0.2844022]
56 | # ]
57 | # [
58 | # [0.3151870, 0.6721524, 0.0416874],
59 | # [0.8232620, 0.6537889, 0.9672953]
60 | # ]
61 | # [
62 | # [0.3151870, 0.6721524, 0.0416874],
63 | # [0.8232620, 0.6537889, 0.9672953]
64 | # ]
65 | # ########################################################
66 | # [
67 | # [-0.9874518, 0.9198063, 0.0650323],
68 | # [0.1976041, 1.0307300, 0.2322134]
69 | # ]
70 | # [
71 | # [-0.2134037, 0.1987845, -0.5292138],
72 | # [0.3732708, 0.1775801, 0.5395861]
73 | # ]
74 | # [
75 | # [-0.7648768, 0.7124789, 0.0503738],
76 | # [0.1530635, 0.7984000, 0.1798717]
77 | # ]
78 | # [
79 | # [-0.4049051, 0.3771670, -1.0041126],
80 | # [0.7082316, 0.3369346, 1.0237927]
81 | # ]
82 | # [
83 | # [0.3151870, 0.6721524, 0.0416874],
84 | # [0.8232620, 0.6537889, 0.9672953]
85 | # ]
86 | # [
87 | # [1.9803783, 4.2232580, 0.2619299],
88 | # [5.1727076, 4.1078768, 6.0776958]
89 | # ]
90 | # [
91 | # [-1.2093765, 1.1265280, 0.0796480],
92 | # [0.2420146, 1.2623813, 0.2844022]
93 | # ]
94 |
95 | get_random_seed
96 | ==============================
97 |
98 | .. py:function:: pyvqnet.utils.get_random_seed()
99 |
100 | 获取当前随机数种子。
101 |
102 | Example::
103 |
104 | import pyvqnet.tensor as tensor
105 | from pyvqnet.utils import get_random_seed, set_random_seed
106 |
107 | set_random_seed(256)
108 | print(get_random_seed())
109 | #256
110 |
111 |
--------------------------------------------------------------------------------