CN115170906A - 量子图像生成模型训练方法、图像生成方法及相关装置 - Google Patents
量子图像生成模型训练方法、图像生成方法及相关装置 Download PDFInfo
- Publication number
- CN115170906A CN115170906A CN202210778962.4A CN202210778962A CN115170906A CN 115170906 A CN115170906 A CN 115170906A CN 202210778962 A CN202210778962 A CN 202210778962A CN 115170906 A CN115170906 A CN 115170906A
- Authority
- CN
- China
- Prior art keywords
- quantum
- model
- image generation
- image
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000009467 reduction Effects 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 239000002096 quantum dot Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本实施例的一种应用于模型训练设备的量子图像生成模型训练方法、图像生成方法及相关装置中,相较于传统的图像生成模型,模型训练设备中配置的处于待训练状态的目标模型,包括具备卷积功能的量子线路以及经典网络层;利用量子线路具备量子纠缠的特性,使得训练样本进行特征提取的同时实现对训练样本进行降维,获得降维后的特征信息;并将该特征信息输入到经典网络层,获得由特征信息生成的第一虚拟图像。如此,利用量子线路具备量子纠缠的特性降低了特征维度,从而提高了模型训练效率。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种量子图像生成模型训练方法、图像生成方法及相关装置。
背景技术
随着人工智能取得了巨大的进步,深度学习系统几乎在每个领域都有应用。其中,图像生成网络模型被广泛应用于跨科学、艺术和视频游戏领域生成人工图像、文本到图像或图像增强。例如,生成对抗网络(GAN)最具有代表性。
然而,传统的图像生成网络涉及到大量的卷积以及反卷积等操作,因而存在计算量较大的问题,计算量较大的问题在模型训练期间有时还可能会出现收敛失败的问题。
发明内容
为了克服现有技术中的至少一个不足,本申请提供一种量子图像生成模型训练方法、图像生成方法及相关装置,包括:
第一方面,本申请提供一种量子图像生成模型训练方法,应用于模型训练设备,所述模型训练设备配置有当前处于待训练状态的目标模型,所述目标模型包括经典网络层以及具备卷积功能的量子线路,所述方法包括:
通过所述量子线路对获取的训练样本进行特征提取,获得经所述量子线路降维后的特征信息;
将所述特征信息输入到所述经典网络层,获得由所述特征信息生成的第一虚拟图像;
获得所述第一虚拟图像的鉴别结果;
若所述鉴别结果指示当前的所述目标模型满足预设收敛条件,则将当前的所述目标模型作为量子图像生成模型;
若所述鉴别结果指示当前的所述目标模型不满足所述预设收敛条件,则在根据所述鉴别结果更新当前的所述目标模型以后,返回所述通过所述量子线路对获取的训练样本进行特征提取,获得经所述量子线路降维后的特征信息的步骤执行。
第二方面,本申请提供一种图像生成方法,应用于图像生成设备,所述图像生成设备配置有通所述的量子图像生成模型训练方法所获得的量子图像生成模型,所述方法包括:
获取目标噪声数据;
通过所述量子图像生成模型对所述目标噪声数据进行处理,获得由所述目标噪声数据生成的目标虚拟图像。
第二方面,本申请提供一种量子图像生成模型训练装置,用于模型训练设备,所述模型训练设备配置有当前处于待训练状态的目标模型,所述目标模型包括具备卷积功能的量子线路以及经典网络层,所述装置包括:
特征降维模块,用于通过所述量子线路对获取的训练样本进行降维处理,获得降维后的特征信息;
第一图像模块,用于将所述特征信息输入到所述经典网络层,获得由所述特征信息生成的第一虚拟图像;
模型迭代模块,用于获得所述第一虚拟图像的鉴别结果;
所述模型迭代模块,还用于若所述鉴别结果指示当前的所述目标模型满足预设收敛条件,则将当前的所述目标模型作为量子图像生成模型;
所述模型迭代模块,还用于若所述鉴别结果指示当前的所述目标模型不满足所述预设收敛条件,则在根据所述鉴别结果更新当前的所述目标模型以后,返回所述通过量子线路对获取的训练样本进行降维处理,获得降维后的特征信息的步骤执行。
第四方面,本申请提供一种图像生成装置,应用于图像生成设备,所述图像生成设备配置有通过所述的量子图像生成模型训练方法所获得的量子图像生成模型,所述装置包括:
噪声获取模块,用于获取目标噪声数据;
第二图像模块,用于通过所述量子图像生成模型对所述目标噪声数据进行处理,获得由所述目标噪声数据生成的目标虚拟图像。
第五方面,本申请提供一种计算机可读存储介质,述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述的量子图像生成模型训练方法或者所述的图像生成方法。
第六方面,本申请提供一种电子设备,所述电子设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述的量子图像生成模型训练方法或者所述的图像生成方法。
相对于现有技术而言,本申请具有以下有益效果:
本实施例的一种应用于模型训练设备的量子图像生成模型训练方法、图像生成方法及相关装置中,相较于传统的图像生成模型,模型训练设备中配置的处于待训练状态的目标模型,包括具备卷积功能的量子线路以及经典网络层;利用量子线路具备量子纠缠的特性,使得训练样本进行特征提取的同时实现对训练样本进行降维,获得降维后的特征信息;并将该特征信息输入到经典网络层,获得由特征信息生成的第一虚拟图像。如此,利用量子线路具备量子纠缠的特性降低了特征维度,从而提高了模型训练效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的量子图像生成模型训练方法的流程示意图;
图2为本申请实施例提供的量子线路整体结构示意图;
图3A-图3C为本申请实施例提供的量子线路局部结构示意图;
图4为本申请实施例提供的旋转Y门表示形式示意图;
图5A-图5B为本申请实施例提供的CONT门表示形式示意图;
图6为本申请实施例提供的生成对抗网络原理示意图;
图7为本申请实施例提供的目标模型结构示意图;
图8为本申请实施例提供的量子图像生成模型训练装置的结构示意图;
图9为本申请实施例提供的电子设备的结构示意图。
图标:101-特征降维模块;102-第一图像模块;103-模型迭代模块;220-存储器;230-处理器;240-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。此外,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
研究发现,传统的图像生成网络涉及到大量的卷积以及反卷积等操作,因而存在计算量较大的问题,计算量较大的问题在模型训练期间有时还可能会导致模型收敛失败。
鉴于以上技术问题,本实施例提供一种应用于模型训练设备的量子图像生成模型训练方法。该方法中,相较于传统的图像生成模型,模型训练设备中配置的处于待训练状态的目标模型,包括具备卷积功能的量子线路以及经典网络层;利用量子线路具备量子纠缠的特性,使得训练样本进行特征提取的同时实现对训练样本进行降维,获得降维后的特征信息;并将该特征信息输入到经典网络层,获得由特征信息生成的第一虚拟图像。如此,利用量子线路具备量子纠缠的特性降低了特征维度,从而提高了模型训练效率。
另外,本实施例还提供一种应用于图像生成设备的图像生成方法。该方法中,图像生成设备通过上述量子图像生成模型训练方法训练出的量子图像生成模型将获取的噪声数据转换为目标虚拟图像。
值得说明的是,以上模型训练设备与图像生成设备可以是相同的电子设备。例如,该模型训练设备与图像生成设备可以是同一服务器,该服务器可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器可以是分布式系统)。在一些实施例中,服务器相对于用户终端,可以是本地的、也可以是远程的。在一些实施例中,服务器可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(Community Cloud)、分布式云、跨云(Inter-Cloud)、多云(Multi-Cloud)等,或者它们的任意组合。在一些实施例中,服务器可以在具有一个或多个组件的电子设备上实现。
在其他实施方式中,该模型训练设备与图像生成设备可以是不同的电子设备。例如,该模型训练设备是服务器,而该图像生成设备则可以是仅用于部署量子图像生成模型的用户终端。仅作为示例,用户终端可以包括移动终端、平板计算机、膝上型计算机等,或其任意组合。该移动终端则可以包括智能手机、个人数字助理(Personal DigitalAssistant,PDA)等,或其任意组合。
由于本实施例涉及到量子计算,为使本申请实施例的目的、技术方案和优点更加清楚,下面对本实施例将要涉及的相关专业术语进行解释说明。
量子计算:基于量子逻辑的计算方式,存储数据的基本单元是量子比特。
量子比特:量子计算的基本单元。其中,相较于传统计算机使用0和1作为二进制的基本单元,不同的是量子计算可以同时处理0和1,使得系统可以处于0和1的线性叠加态:|其中,α,β代表系统在0和1上的复数概率幅,它们的模平方|α|2,|β|2分别代表处于0和1的概率。
量子线路:量子通用计算机的一种表示,代表了相应量子算法/程序在量子门模型下的硬件实现。若量子线路中包含可调的控制量子门的参数,则被称为参数化的量子线路。
量子门:常使用矩阵表示,操作n个量子比特的门可以用2n×2n的酉矩阵表示。其中,一个门输入跟输出的量子比特数量必须要相等;量子门的操作可以用代表量子门的矩阵与代表量子比特状态的向量作相乘来进行表示。
旋转门:旋转门是量子门的一种,是一组三个2×2的酉矩阵(又名幺正厄米复矩阵)。其中,旋转X门(又名RX门)可以表示为:
旋转Y门(又名RY门)可以表示为:
旋转Z门(又名RZ门)可以表示为:
需要说明的是,基于上述技术问题的发现,发明人经过创造性劳动提出下述技术方案以解决或者改善上述问题。以及以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在发明创造过程中对本申请做出的贡献,而不应当理解为本领域技术人员所公知的技术内容。
基于以上相关介绍,下面结合图1对量子图像生成模型训练方法的各步骤进行详细阐述。其中,该模型训练设备中配置有当前处于待训练状态的目标模型,目标模型包括经典网络层以及具备卷积功能的量子线路。对于该目标模型,如图1所示,该方法包括:
S101,通过量子线路对获取的训练样本进行特征提取,获得经量子线路降维后的特征信息。
其中,在量子线路中,通过对转换为量子态的训练样本进行预设的幺正操作,模拟经典卷积网络中对训练样本进行特征提取的操作。所谓经典卷积网络表示基于人工神经网络所构建的卷积网络。而为了达到这一目的,本实施例提供的量子线路包括嵌入量子线路、变分量子线路以及测量线路;依据嵌入量子线路、变分量子线路以及测量线路,步骤S101可以通过以下实施方式获得训练样本进行特征提起以及降维处理,从而获得经量子线路编码后的特征信息:
S101-1,通过嵌入量子线路将训练样本编码至多个量子比特的第一量子态。
正如以上实施方式中所介绍的,相较于传统计算机使用0和1作为二进制的基本单元,量子计算可以同时处理0和1,使得系统可以处于0和1的线性叠加态。例如,10个量子比特最多可以用于表示210个维度的信息。而训练样本的数据形式仅能有经典计算机进行处理,因此,在通过量子线路对其进行特征提取之前,需要将训练样本编码为量子线路能够处理的量子态。
作为可选地实施方式,该嵌入量子线路包括量子叠加线路以及编码线路,因此,步骤S101-1可以包括以下具体实施方式:
S101-1-1,通过量子叠加线路将多个量子比特的初始态演化至叠加态。
S101-1-2,通过编码线路依据训练样本,将多个量子比特中部分量子比特的叠加态进行旋转,获得多个量子比特的第一量子态。
其中,相较于多个量子比特中剩余的量子比特,进行旋转处理的部分量子比特均位于低位。
具体地,编码线路可以包括单量子旋转逻辑门,例如RX门、RY门、RZ门等;通过编码线路依据训练样本,将多个量子比特中部分量子比特的叠加态进行旋转,获得多个量子比特的第一量子态,包括:
基于训练样本确定单量子旋转逻辑门的旋转参数,将确定旋转参数后的单量子旋转逻辑门作用于多个量子比特中部分量子比特,以使得多个量子比特中部分量子比特的叠加态进行旋转,获得多个量子比特的第一量子态。
进一步地,基于训练样本确定单量子旋转逻辑门的旋转参数,可以是将训练样本对应的反三角函数值确定为单量子旋转逻辑门的旋转参数,还可以为其他方式,在此不作限定。
举例说明,将训练样本表示为X,通过反三角函数值arctanX计算获得单量子旋转逻辑门的旋转角度。
为使本申请实施例的目的、技术方案和优点更加清楚,本实施例提供一10个量子比特的量子线路,该量子线路中的嵌入量子线路、变分量子线路以及测量线路之间的连接关系如图2所示,图中的P1表示该嵌入量子线路,P2表示该变分量子线路,P3表示该测量线路;而嵌入量子线路、变分量子线路以及测量线路各自的详细结构则如图3A-图3C所示。
如图3A所示,图3A所示的嵌入量子线路中,将10个量子比特分别表示为q0~q9,每条量子线路初始位置设置有10个将初始态演变为叠加态的Hadamard量子门,用符号H进行表示,其中量子比特的初始态可以在运行量子线路之前初始化为基态0或者1,也可以为0和1的叠加态。并且,图中选择q0~q5作为部分量子比特,对其叠加态进行旋转,而q6~q9则表示剩余的量子比特。
在对q0~q5叠加态的旋转方式进行介绍之前,首先需要理解的是,对于n个量子比特,若将n个量子比特表示为|xn-1,…x0>,从左到右表示量子比特从高位到低位,例如|01>中,0为高位,1为低位。在量子线路图中与之相对应的是,量子线路图由从上到下表示量子比特中的从低位到高位,即图3A中的10个量子比特,q0位于低位,q9位于高位。
而在图3A所示的示例中,选择位于低位的量子比特q0~q5,利用单量子旋转逻辑门RY门的旋转角度对经典信息形式训练样本进行编码,即根据训练样本确定单量子旋转逻辑门RY门的旋转角度,然后将确定旋转角度后的RY门作用于q0~q5,使得其叠加态进行旋转。其中,在图3A所示编码线路的具体连接关系中,q0~q4对应的5条量子线路分别包括有17个旋转Y门,q5对应的量子线路包括有15个旋转Y门。
如此,经过图3A所示的嵌入量子线路对q0~q9这10个量子的状态进行调整以后,得到这10个量子比特的第一量子态,后续的变分量子线路进一步对10个量子比特的第一量子态做进一步的状态调整。
另外,对于旋转Y门,在图3A中以图4所示的方式进行表示。图中的符号RY表示旋转Y门,n表示该旋转Y门的旋转参数;并且,该旋转参数即是模型训练期间需要进行调整的参数。
当然,需要说明的是,图3A仅仅是本实施例为了便于理解所提供的一种示例,在实际实施本方案时,量子比特的数量以及用于对叠加态进行旋转的部分量子比特,技术人员可以进行适当调整,同理,图3A中每条量子线路中的旋转Y门的数量同样可以进行适当调整。
S101-2,通过变分量子线路对多个量子比特的第一量子态进行量子纠缠以及旋转,演化至多个量子比特的第二量子态。
作为可选地实施方式,按照从低位到高位的排列顺序,多个量子比特被预设长度的滑动窗口以预设步长划分为多个量子比特组;变分量子线路包括第一变分线路以及第二变分线路。因此,步骤S101-2可以包括以下具体实施方式:
S101-2-1,通过第一变分线路将每组量子比特组的第一量子态进行多量子纠缠,获得多个量子比特之间的多量子纠缠态。
S101-2-2,通过第二变分线路对多个量子比特中部分量子比特的多量子纠缠态进行旋转以及纠缠,获得多个量子比特的第二量子态。
继续参见图3B,图中涉及大量的CNOT门,因此,在对该变分量子线路进行介绍之前,首先应理解的是,在量子线路中,CNOT门有图5A-图5B两种表示方式,图中任意两量子比特之间,较小的圆形图案(无符号“+”)表示控制比特,较大的圆形图案(有符号“+”)表示目标比特;CNOT门的含义是当控制比特为|0>态时,目标比特不发生改变;当控制比特为|1>态时,对目标比特执行量子非门操作,从而实现量子比特之间的量子纠缠。
经发明人研究之后发现,具有固定邻接的量子比特对以循环的方式产生多量子位纠缠,能够取的很好的特征提取效果。因此,仅作为示例,在图3B所示的第一变分线路中,该滑动窗口的长度为4个量子比特,步进长度为2个量子比特,可以得到图3B所示的以下分组结果:
q0~q3、q2~q6、q4~q8、q6~q9、q8~q9
需要说明的是,由于图3B所示的示例中,仅有10个量子比特,因此,按照该滑动窗口的截取方式,分组q6~q9中只能截取3个量子比特以及分组q8~q9中只能截取2个量子比特。而对于以上5个量子比特组,为了便于展示其中量子比特之间的纠缠方式,在图3B中将每个量子比特组以及每个量子比特组中量子比特之间的连接关系用于虚线进行了区分标记,即q0~q3之间通过CNOT门形成多量子纠缠态,q2~q6之间形成多量子纠缠态,q4~q8之间通过CNOT门形成多量子纠缠态,q6~q9之间通过CNOT门形成多量子纠缠态,q8~q9之间通过CNOT门形成多量子纠缠态。
进一步地,在第二变分量子线路中,进一步将其中部分量子比特的多量子纠缠态进行旋转以及纠缠。如图3B所示的示例中,图中选择了对量子比特q0,q2,q2的多纠缠态进行旋转以及纠缠。在具体实施方式中,先将q0的多量子纠缠态经过10个旋转Y门进行旋转;然后,将q0,q1之间通过CNOT门进行量子纠缠,以及将q1,q2之间通过CNOT门进行量子纠缠;最后,将再将q0经过10个旋转Y门进行旋转,最终获得10个量子比特的第二量子态。
S101-3,通过测量线路对多个量子比特的第二量子态进行测量,获得降维后的特征信息。
由于该目标模型混合了量子线路以及经典网路,而经典网络不能直接处理处于量子态的信息,因此,本实施例通过测量线路对量子线路中处于量子态的信息进行测量,将测得的每个量子位上的期望值作为训练样本降维后的特征信息。
示例性的,如图3C所示的每个量子线路的末端都是一个量子测量层,用于测量每个量子比特的在第二量子态的概率,返回的结果即是能够在经典计算机上进一步处理的定长向量。
S102,将特征信息输入到经典网络层,获得由特征信息生成的第一虚拟图像。
S103,获得第一虚拟图像的鉴别结果。
其中,在一些实施方式中,可以提供一用于鉴别图像是否为真实图像的图像鉴别模型,将第一虚拟图像输入到图像鉴别模型,从而获得该第一虚拟图像的鉴别结果。
S104,判断该鉴别结果是否指示目标模型满足预设收敛条件;若否,则执行步骤S105,若是,则执行步骤S106。
S105,根据鉴别结果更新当前的目标模型,返回执行步骤S101。
S106,将当前的目标模型作为量子图像生成模型。
值得说明的是,由于该目标模型每经过一轮迭代,其模型参数会进行一次更新,因此,本实施例中的当前的目标模型表示最近一次更新后的目标模型。另外,在一些实施方式中,该预设收敛条件可以是第一虚拟图像的鉴别结果指示该目标模型连续输出的多张第一虚拟图像均被鉴定为“真实图像”。其他实施方式中,该预设收敛条件可以是第一虚拟图像的鉴别结果指示目标模型连续输出的多张第一虚拟图像中,被鉴定为“真实图像”的数量占据预设比例。
应理解的是,以上关于量子图像生成模型的训练方法中,实际使用了生成对抗思想。如图6所示,生成对抗的思想来自零和博弈理论,包括两个部分,一部分是生成器(Generator),用于接收一个随机噪声ρ来生成虚拟图像。另外一部分是鉴别器(Discriminator),用于鉴别一张图像是否为“真实图像”,即输入是一张图像,输出是该图像为真实图像的概率,介于0-1之间,概率值越小则表示该图像不真实的可能性越大;因此,当输入一张真实图像σ时,期望该鉴别器输出的概率越大,当输入一张假的虚拟图像时,期望该鉴别器输出的概率越小。
因此,生成器的目标是通过生成接近真实的虚拟图像来欺骗判别器,而判别器的目标是尽量辨别出生成器生成的虚拟图像和真实图像的区别。即生成器希望生成的虚拟图像更逼真,使得鉴别器给出较高的概率;而判别器希望生成的虚拟图像即便再逼真也能够被鉴别出,给出较低的概率,通过这样的动态博弈过程,最终达到纳什均衡点,此时的生成器可以从一段随机数据中生成逼真的图像。
如图7所示,在本实施例提供的目标模型,可以是在传统生成对抗网络的生成器中引入量子线路,使得生成的混合量子经典生成器(QDCGAN),包括量子线路Gθ与经典网络,用于将随机生成的噪声数据转换为虚拟图像。然后,鉴别网络模型则采用传统生成对抗网络的鉴别器,用于对混合量子经典生成器生成的虚拟图进行鉴别。其中,传统生成对抗网络的鉴别器在模型训练期间需要使用到由真实图像所组成的经典数据以及混合量子经典生成器生成的虚拟图。
继续参见图7,对于该目标模型,输入的数据需要先经过量子线路进行降维处理,然后输入经典网络结构,从而减少网络的计算量和训练参数量。基于以上关于量子线路的介绍,将传统生成对抗网络DCGAN作为比较对象,当其输入的数据维度为4*100*1*1,经过第一个如下结构的反转积层:
ConvTranspose2d(100,512,kernel_size=(4,4),stride=(1,1);
在该反转积层中,“100,512”表示需要进行100*512次计算,“kernel_size=(4,4)”表示卷积核的大小,“stride=(1,1)”表示卷积核的步长,因此,在该反卷积层中的训练参数量为512*4*4。
而使用混合经典量子生成器时,同样假定输入的数据维度为4*100*1*1,经过量子线路处理剩余大小为4*10*1*1,然后通过经典网络层中的反卷层,从而大大缩减了计算次数,并且通过量子线路降维处理后,可将后续反卷积的参数设置进行修改,降低训练参数量。由此可见,通过以上实施方式,能够在一定程度上节省资源和降低训练参数量。
研究进一步发现,直接使用已达到训练要求的图像鉴别模型对目标模型训练期间生成的第一虚拟图形进行鉴别,容易导致训练出的量子图像生成模型只能用于生成特定类型的虚拟图像,或者生成的虚拟图像只能用于“欺骗”图像鉴别模型。因此,本实施例中交替优化图像鉴别模型和目标模型中的参数,以提高两者在对抗中的性能。因此,对于步骤S103,可以包括以下鉴别第一虚拟图像的实施方式:
S103-1,获取真实的样本图像以及当前的目标模型生成的第二虚拟图像。
S103-2,依次通过样本图像以及第二虚拟图像更新当前的图像鉴别模型。
S103-3,通过当前的图像鉴别模型对第一虚拟图像进行鉴别,获得第一虚拟图像的鉴别结果。
也即是说,本实施中在对图像鉴别模型进行更新时,目标模型的参数保持不变;而在对目标模型的参数进行更新时,则图像鉴别模型的参数保持不变。具体实施方式中,基于当前的目标模型生成第二虚拟图像,并将该第二虚拟图像标记为第一标签,其中,该第一标签可以是数字0,用于指示第二虚拟图像为通过模型生成的虚拟图像。与之相对应的,获取真实的样本图像,将该样本图像标记为第二标签,其中,该第二标签可以是数字1,用于指示样本图像是通过拍摄获得的真实图像。
模型训练设备将样本图像输入到当前的图像鉴别模型,获得当前的图像鉴别模型对样本图像的鉴别结果,然后,根据样本图像的鉴别结果与第二标签之间的差异,跟新当前的图像鉴别模型。
进一步地,该模型训练设备将第二虚拟图像输入到当前的图像鉴别模型,获得当前的图像鉴别模型对第二虚拟图像的鉴别结果;然后,根据第虚拟图像鉴别结果与第一标签之间的差异,跟新当前的图像鉴别模型。
如此,经过对图像鉴别模型进行训练之后,使得当前的图像鉴别模型具备一定的鉴别能力之后,再用于对当前的目标模型生成的第一虚拟图像输进行鉴别,获得第一虚拟图像的鉴别结果。
如此,通过在目标模型寻来期间,不断交替优化当前的目标模型以及当前的图像鉴别模型,以达到提升两者之间的对抗性能的目的,使得最终获得的量子图像生成模型生成接近真实的虚拟图像来欺骗判别器,而最终训练完成的图像鉴别模型尽量辨别出量子图像生成模型生成的虚拟图像和真实图像的区别。
其中,目标模型训练期间进行参数更新时,包括两个更新环节,一个环节是对其中的经典网络进行更新;另一环节是对量子线路进行更新。而用于更新图像鉴别模型损失函数以及用于更新经典网络的损失函数均是BCEloss函数,BCEloss函数的表达式为:
loss=y log x+(1-y)log(1-x)
式中,loss表示模型损失,y表示标签标记的真实结果,x表示预测结果。
对于量子线路部分的参数更新,本实施例采用梯度更新方法更新量子线路,梯度更新方法的表达式为:
式中,θ表示量子线路中待更新的线路参数,表达式表示线路参数向前位移获得第一预测结果;然后,将线路参数向后位移获得第二预测结果;最后,使用第一预测结果与第二预测结果之间的差异,以梯度下降算法调整待优化参数。
基于以上实施方式所提供的量子图像生成模型训练方法相同的发明构思,本实施例还提供一种量子图像生成模型训练装置,应用于模型训练设备。量子图像生成模型训练装置包括至少一个可以软件形式存储于存储器或固化在模型训练设备的操作系统(Operating System,简称OS)中的软件功能模块。模型训练设备中的处理器用于执行存储器中存储的可执行模块,例如,该可执行模块可以是量子图像生成模型训练装置所包括的软件功能模块及计算机程序等。模型训练设备配置有当前处于待训练状态的目标模型,目标模型包括目标模型包括经典网络层以及具备卷积功能的量子线路。请参照图8,从功能上划分,量子图像生成模型训练装置可以包括:
特征降维模块101,用于通过量子线路对获取的训练样本进行降维处理,获得经量子线路降维后的特征信息。
本实施例中,该特征降维模块101用于实现图1中的步骤S101,关于该特征降维模块101的详细描述,可以参见步骤S101的详细描述。
第一图像模块102,用于将特征信息输入到经典网络层,获得由特征信息生成的第一虚拟图像。
本实施例中,该第一图像模块102用于实现图1中的步骤S102,关于该第一图像模块102的详细描述,可以参见步骤S102的详细描述。
模型迭代模块103,用于获得第一虚拟图像的鉴别结果。
本实施例中,该模型迭代模块103用于实现图1中的步骤S103,关于该模型迭代模块103的详细描述,可以参见步骤S103的详细描述。
模型迭代模块103,还用于若鉴别结果指示当前的目标模型满足预设收敛条件,则将当前的目标模型作为量子图像生成模型。
模型迭代模块103,还用于若鉴别结果指示当前的目标模型不满足预设收敛条件,则在根据鉴别结果更新当前的目标模型以后,返回通过量子线路对获取的训练样本进行降维处理,获得降维后的特征信息的步骤执行。
本实施例中,该模型迭代模块103用于实现图1中的步骤S104-S106,关于该模型迭代模块103的详细描述,可以参见步骤S104-S106的详细描述。
除此之外,值得说明的是,以上特征降维模块101、第一图像模块102、模型迭代模块103还可以用于实现量子图像生成模型训练方法的其他步骤或者子步骤,本实施例不再进行赘述。
基于以上实施方式所提供的量子图像生成模型训练方法,本实施例还提供一种图像生成方法,应用于图像生成设备。图像生成设备配置有通过量子图像生成模型训练方法所获得的量子图像生成模型。该方法中,图像生成设备获取目标噪声数据;通过量子图像生成模型对目标噪声数据进行处理,获得由目标噪声数据生成的目标虚拟图像。
对应上实施方式所提供的量子图像生成模型训练方法以及图像生成方法,本实施例使用Qpanda语言在VQNet平台所模拟出的量子计算环境对其进行了实现,并使用Cifar10中的训练样本集上进行了验证。在验证过程中,使用Mode Score对其进行评判。应理解的是,Mode Score被用来衡量两个概率分布之间的相似性,Mode Score的计算方法的表达式为:
exp(ExDKL(p(y|x)||p*(y))-DKL((p(y)||p*(y)))
式中,p*(y)表示经过训练样本集得到的标签向量的类别概率,p(y)表示经过量子图像生成模型生成目标虚拟图像得到的标签向量的类别概率。
其中DKL(p(y|x)||p*(y))的计算方法为:
基于与图像生成方法相同的发明构思,本实施还提供一种图像生成装置,应用于图像生成设备。图像生成装置包括至少一个可以软件形式存储于存储器或固化在图像生成设备的操作系统(Operating System,简称OS)中的软件功能模块。图像生成设备中的处理器用于执行存储器中存储的可执行模块,例如,该可执行模块可以是图像生成装置所包括的软件功能模块及计算机程序等。从功能上划分,图像生成装置可以包括:
噪声获取模块,用于获取目标噪声数据。
第二图像模块,用于通过量子图像生成模型对目标噪声数据进行处理,获得由目标噪声数据生成的目标虚拟图像。
另外,在本申请量子图像生成模型训练装置或者图像生成装置中的各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
还应理解的是,以上实施方式如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
因此,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时,实现本实施例提供的量子图像生成模型训练方法或者图像生成。其中,该计算机可读存储介质可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的一种电子设备。如图9所示的硬件结构示意图。该电子设备可包括处理器230及存储器220。处理器230与存储器220可经由系统总线通信。并且,存储器220存储有计算机程序,当电子设备是模型训练设备时,处理器通过读取并执行存储器220中与以上实施方式对应的计算机程序,实现本实施例所提供的量子图像生成模型训练方法。当电子设备是图像生成设备时,处理器通过读取并执行存储器220中与以上实施方式对应的计算机程序,实现本实施例所提供的图像生成方法。
如图9所示,该电子设备中的存储器220、处理器230以及通信单元240各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,该存储器220可以是基于任何电子、磁性、光学或其它物理原理的信息记录装置,用于记录执行指令、数据等。在一些实施方式中,该存储器220可以是,但不限于,易失存储器、非易失性存储器、存储驱动器等。
其中,仅作为示例,该易失存储器可以是随机存取存储器(Random AccessMemory,RAM)。该非易失性存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)、闪存等;该存储驱动器可以是磁盘驱动器、固态硬盘、任何类型的存储盘(如光盘、DVD等),或者类似的存储介质,或者它们的组合等。
该通信单元240用于通过网络收发数据。在一些实施方式中,该网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络可以包括一个或多个网络接入点。例如,网络可以包括有线或无线网络接入点,例如基站和/或网络交换节点,服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
该处理器230可能是一种集成电路芯片,具有信号的处理能力,并且,该处理器可以包括一个或多个处理核(例如,单核处理器或多核处理器)。仅作为举例,上述处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital SignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
应该理解到的是,在上述实施方式中所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种量子图像生成模型训练方法,其特征在于,应用于模型训练设备,所述模型训练设备配置有当前处于待训练状态的目标模型,所述目标模型包括经典网络层以及具备卷积功能的量子线路,所述方法包括:
通过所述量子线路对获取的训练样本进行特征提取,获得经所述量子线路降维后的特征信息;
将所述特征信息输入到所述经典网络层,获得由所述特征信息生成的第一虚拟图像;
获得所述第一虚拟图像的鉴别结果;
若所述鉴别结果指示当前的所述目标模型满足预设收敛条件,则将当前的所述目标模型作为量子图像生成模型;
若所述鉴别结果指示当前的所述目标模型不满足所述预设收敛条件,则在根据所述鉴别结果更新当前的所述目标模型以后,返回所述通过所述量子线路对获取的训练样本进行特征提取,获得经所述量子线路降维后的特征信息的步骤执行。
2.根据权利要求1所述的量子图像生成模型训练方法,其特征在于,所述量子线路包括嵌入量子线路、变分量子线路以及测量线路,所述通过所述量子线路对获取的训练样本进行特征提取,获得经所述量子线路降维后的特征信息,包括:
通过所述嵌入量子线路将所述训练样本编码至多个量子比特的第一量子态;
通过所述变分量子线路对所述多个量子比特的第一量子态进行量子纠缠以及旋转,演化至所述多个量子比特的第二量子态;
通过所述测量线路对所述多个量子比特的第二量子态进行测量,获得所述降维后的特征信息。
3.根据权利要求2所述的量子图像生成模型训练方法,其特征在于,所述嵌入量子线路包括量子叠加线路以及编码线路,所述通过所述嵌入量子线路将所述训练样本编码至多个量子比特的第一量子态,包括:
通过所述量子叠加线路将所述多个量子比特的初始态演化至叠加态;
通过所述编码线路依据所述训练样本,将所述多个量子比特中部分量子比特的叠加态进行旋转,获得所述多个量子比特的第一量子态,其中,相较于所述多个量子比特中剩余的量子比特,进行旋转处理的部分量子比特均位于低位。
4.根据权利要求2所述的量子图像生成模型训练方法,其特征在于,按照从低位到高位的排列顺序,所述多个量子比特被预设长度的滑动窗口以预设步长划分为多个量子比特组;所述变分量子线路包括第一变分线路以及第二变分线路;
所述通过所述变分量子线路对所述多个量子比特的第一量子态进行量子纠缠以及旋转,演化至所述多个量子比特的第二量子态,包括:
通过所述第一变分线路将每组所述量子比特组的第一量子态进行多量子纠缠,获得所述多个量子比特之间的多量子纠缠态;
通过所述第二变分线路对所述多个量子比特中部分量子比特的多量子纠缠态进行旋转以及纠缠,获得所述多个量子比特的第二量子态。
5.根据权利要求1所述量子图像生成模型训练方法,其特征在于,所述模型训练设备还配置有当前处于训练状态的图像鉴别模型,所述获得所述第一虚拟图像的鉴别结果,包括:
获取真实的样本图像以及当前的所述目标模型生成的第二虚拟图像;
依次通过所述样本图像以及所述第二虚拟图像更新当前的所述图像鉴别模型;
通过当前的所述图像鉴别模型对所述第一虚拟图像进行鉴别,获得所述第一虚拟图像的鉴别结果。
6.根据权利要求5所述的量子图像生成模型训练方法,其特征在于,用于更新所述图像鉴别模型损失函数以及用于更新所述经典网络的损失函数均是BCEloss函数,所述BCEloss函数的表达式为:
loss=ylogx+(1-y)log(1-x)
式中,loss表示模型损失,y表示标签标记的真实结果,x表示预测结果。
8.一种图像生成方法,其特征在于,应用于图像生成设备,所述图像生成设备配置有通过权利要求1-7任意一项所述的量子图像生成模型训练方法所获得的量子图像生成模型,所述方法包括:
获取目标噪声数据;
通过所述量子图像生成模型对所述目标噪声数据进行处理,获得由所述目标噪声数据生成的目标虚拟图像。
9.一种量子图像生成模型训练装置,其特征在于,应用于模型训练设备,所述模型训练设备配置有当前处于待训练状态的目标模型,所述目标模型包括所述目标模型包括经典网络层以及具备卷积功能的量子线路,所述装置包括:
特征降维模块,用于通过所述量子线路对获取的训练样本进行降维处理,获得经所述量子线路降维后的特征信息;
第一图像模块,用于将所述特征信息输入到所述经典网络层,获得由所述特征信息生成的第一虚拟图像;
模型迭代模块,用于获得所述第一虚拟图像的鉴别结果;
所述模型迭代模块,还用于若所述鉴别结果指示当前的所述目标模型满足预设收敛条件,则将当前的所述目标模型作为量子图像生成模型;
所述模型迭代模块,还用于若所述鉴别结果指示当前的所述目标模型不满足所述预设收敛条件,则在根据所述鉴别结果更新当前的所述目标模型以后,返回所述通过量子线路对获取的训练样本进行降维处理,获得降维后的特征信息的步骤执行。
10.一种图像生成装置,其特征在于,应用于图像生成设备,所述图像生成设备配置有通过权利要求1-7任意一项所述的量子图像生成模型训练方法所获得的量子图像生成模型,所述装置包括:
噪声获取模块,用于获取目标噪声数据;
第二图像模块,用于通过所述量子图像生成模型对所述目标噪声数据进行处理,获得由所述目标噪声数据生成的目标虚拟图像。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-7任意一项所述的量子图像生成模型训练方法或者权利要求8所述的图像生成方法。
12.一种电子设备,其特征在于,所述电子设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1-7任意一项所述的量子图像生成模型训练方法或者权利要求8所述的图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210778962.4A CN115170906A (zh) | 2022-06-30 | 2022-06-30 | 量子图像生成模型训练方法、图像生成方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210778962.4A CN115170906A (zh) | 2022-06-30 | 2022-06-30 | 量子图像生成模型训练方法、图像生成方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170906A true CN115170906A (zh) | 2022-10-11 |
Family
ID=83491429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210778962.4A Pending CN115170906A (zh) | 2022-06-30 | 2022-06-30 | 量子图像生成模型训练方法、图像生成方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170906A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908943A (zh) * | 2022-12-16 | 2023-04-04 | 合肥本源量子计算科技有限责任公司 | 图像分类方法、装置、电子设备及计算机可读存储介质 |
CN116094686A (zh) * | 2022-12-30 | 2023-05-09 | 成都信息工程大学 | 用于量子卷积计算的同态加密方法、系统、设备及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358295A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的二分类方法及相关装置 |
WO2022077797A1 (zh) * | 2020-10-14 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 量子线路的确定方法、装置、设备及存储介质 |
CN114444702A (zh) * | 2022-02-02 | 2022-05-06 | 上海图灵智算量子科技有限公司 | 变分量子线路实现伊辛求解的方法及实现伊辛模型的系统 |
-
2022
- 2022-06-30 CN CN202210778962.4A patent/CN115170906A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022077797A1 (zh) * | 2020-10-14 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 量子线路的确定方法、装置、设备及存储介质 |
CN114444702A (zh) * | 2022-02-02 | 2022-05-06 | 上海图灵智算量子科技有限公司 | 变分量子线路实现伊辛求解的方法及实现伊辛模型的系统 |
CN114358295A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的二分类方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
JONATHAN ROMERO, ET AL, 《ADVANCED QUANTUM TECHNOLOGIES》, 3 December 2020 (2020-12-03), pages 1 - 14 * |
黄一鸣: "量子机器学习关键技术研究", 《中国博士学位论文全文数据库 基础科学辑》, vol. 2022, no. 01, 15 January 2022 (2022-01-15), pages 005 - 28 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908943A (zh) * | 2022-12-16 | 2023-04-04 | 合肥本源量子计算科技有限责任公司 | 图像分类方法、装置、电子设备及计算机可读存储介质 |
CN116094686A (zh) * | 2022-12-30 | 2023-05-09 | 成都信息工程大学 | 用于量子卷积计算的同态加密方法、系统、设备及终端 |
CN116094686B (zh) * | 2022-12-30 | 2024-03-19 | 成都信息工程大学 | 用于量子卷积计算的同态加密方法、系统、设备及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | # exploration: A study of count-based exploration for deep reinforcement learning | |
CN115170906A (zh) | 量子图像生成模型训练方法、图像生成方法及相关装置 | |
CN110209825B (zh) | 一种基于宽度学习系统的快速网络表征学习方法 | |
CN108171663B (zh) | 基于特征图最近邻替换的卷积神经网络的图像填充系统 | |
CN107545277B (zh) | 模型训练、身份验证方法、装置、存储介质和计算机设备 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN111950692B (zh) | 用于改进的通用化的基于汉明距离的稳健输出编码 | |
Peng et al. | Multiview boosting with information propagation for classification | |
CN110598867A (zh) | 一种量子态信息转化方法 | |
CN113128432B (zh) | 基于演化计算的机器视觉多任务神经网络架构搜索方法 | |
CN114021728B (zh) | 量子数据测量方法及系统、电子设备和介质 | |
CN112633507A (zh) | 一种将复向量编码到量子线路的方法及装置 | |
CN110942151A (zh) | 一种量子态层析方法及装置 | |
CN114330736A (zh) | 具有噪声对比先验的潜在变量生成性模型 | |
CN113449672B (zh) | 基于双线性孪生架构的遥感场景分类方法和装置 | |
CN110890985A (zh) | 虚拟网络映射方法及其模型训练方法、装置 | |
CN113230650B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN116958712A (zh) | 基于先验概率分布的图像生成方法、系统、介质及设备 | |
CN115879507A (zh) | 一种基于深度对抗学习的大规模图生成方法 | |
CN115311515A (zh) | 混合量子经典的生成对抗网络的训练方法及相关设备 | |
CN114677556A (zh) | 神经网络模型的对抗样本生成方法及相关设备 | |
Javaheripi et al. | Swann: Small-world architecture for fast convergence of neural networks | |
KR20190048597A (ko) | 딥 러닝을 이용한 이종 센서 정보 융합 장치 및 방법 | |
CN115964480A (zh) | 文本分类方法、装置、电子设备和计算机可读存储介质 | |
CN112215282A (zh) | 一种基于小样本图像分类的元泛化网络系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |