基于TensorFlow量子的多类分类

Question

我在TFQ上运行了一些示例和测试，我正在努力执行多类分类。我将使用MNIST分类示例作为基础(https://www.tensorflow.org/quantum/tutorials/mnist)，因为这也是我开始的地方。

对于二进制分类，我使用了类和不同门组合的不同示例，并且分类结果是通过测量单个读出量子比特(QR)结果获得的，因此如果qR=0我们与类0进行分类，如果qR=1，则我们具有类1。

我将其扩展到多类问题，因此我们有4个类(0,1,2,3)。为此，我使用tf.keras.utils.to_categorical(y_train)更改了类的标签，以便标签从单值转换为向量(0 -> (1,0,0,0)；1-> (0,1,0,0)；等等)，使用tf.keras.losses.CategoricalHinge()作为模型的损失，并为每个类创建4个读出量子位(M(qR0，qR1，qR2，qR3) = (0,0,1,0) ->类2)，这是可行的。

然而，这种方法大大增加了电路的大小。所以我想要做的是只传递给TFQ两个读出的量子比特，并使用4类分类的组合测量(|00> = 0，|10> = 1，|01> = 2，|11> = 3)。理想情况下，这将允许2^n多类分类，其中n是量子比特的数量。在Cirq中，我可以通过对两个读出的量子比特执行cirq.measure(qR0, qR1, key='measure')来实现此输出。然而，我很难将这样的命令传递给TFQ，因为据我所知，它只测量以单个量子比特泡利门结尾的量子比特。

那么，我是不是在TFQ的功能中遗漏了什么，允许在训练过程中进行这种测量？

Answer 1

从下面的代码片段开始：

bit = cirq.GridQubit(0, 0)
symbols = sympy.symbols('x, y, z')

# !This is important!
ops = [-1.0 * cirq.Z(bit), cirq.X(bit) + 2.0 * cirq.Z(bit)]
# !This is important!

circuit_list = [
    _gen_single_bit_rotation_problem(bit, symbols),
    cirq.Circuit(
        cirq.Z(bit) ** symbols[0],
        cirq.X(bit) ** symbols[1],
        cirq.Z(bit) ** symbols[2]
    ),
    cirq.Circuit(
        cirq.X(bit) ** symbols[0],
        cirq.Z(bit) ** symbols[1],
        cirq.X(bit) ** symbols[2]
    )
]
expectation_layer = tfq.layers.Expectation()
output = expectation_layer(
    circuit_list, symbol_names=symbols, operators = ops)
# Here output[i][j] corresponds to the expectation of all the ops
# in ops w.r.t circuits[i] where keras managed variables are
# placed in the symbols 'x', 'y', 'z'.
tf.shape(output)

我从这里拿来的：https://www.tensorflow.org/quantum/api_docs/python/tfq/layers/Expectation。

output张量的形状是[3, 2]，其中我有3个不同的电路，我对每个电路取了两个期望值。output的[1, 0]值为：

​

​

​

​

那么output的[2, 1]的值将是：

​

​

​

​

output的值的形状和内容在一定程度上是由ops的形状和内容决定的。如果我想让输出的形状成为[3, 3]，我只需要将另一个有效的cirq.PauliSum对象添加到ops列表中。在你的例子中，如果你想要在两个特定的cirq.GridQubit的q0和q1上得到00，01，10，11的概率，你可以这样做：

def zero_proj(qubit):
  return (1 + cirq.Z(qubit)) / 2

def one_proj(qubit):
  return (1 - cirq.Z(qubit)) / 2

# ! This is important
ops = [
  zero_proj(q0) * zero_proj(q1),
  zero_proj(q0) * one_proj(q1),
  one_proj(q0) * zero_proj(q1),
  one_proj(q0)* one_proj(q1)
]
# ! This is important

生成接收ops：[whatever_your_batch_size_is, 4]的任何层的输出形状。这有助于把事情弄清楚吗？