CN116993839A - 编码方式筛选方法、装置、电子设备及存储介质 - Google Patents
编码方式筛选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116993839A CN116993839A CN202311256370.7A CN202311256370A CN116993839A CN 116993839 A CN116993839 A CN 116993839A CN 202311256370 A CN202311256370 A CN 202311256370A CN 116993839 A CN116993839 A CN 116993839A
- Authority
- CN
- China
- Prior art keywords
- data
- classified
- quantum state
- state vector
- coding
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000012216 screening Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 261
- 238000005259 measurement Methods 0.000 claims abstract description 76
- 238000005303 weighing Methods 0.000 claims abstract description 43
- 230000000295 complement effect Effects 0.000 claims description 145
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 29
- 230000000694 effects Effects 0.000 abstract description 19
- 230000000875 corresponding effect Effects 0.000 description 138
- 238000004364 calculation method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- 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
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
Abstract
本申请实施例提供了一种编码方式筛选方法、装置、电子设备及存储介质。所述方法包括：获取选择的N种编码方式，N为大于1的正整数；基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。本申请实施例可以衡量编码方式的效果，选择最合适的方式后可提升量子机器学习的效率。
Description
技术领域
本申请涉及量子计算技术领域，尤其涉及一种编码方式筛选方法、装置、电子设备及存储介质。
背景技术
随着量子计算的深入研究，其与机器学习的结合逐步成为一个崭新的研究方向。量子机器学习在人工智能研究中是极具潜力的前沿课题，在使用量子机器学习处理图像数据时，首先要将图像数据编码到量子电路（即编码为量子态的形式），才能为量子机器学习的算法或模型作用。数据的分布可以对算法或模型的最终结果产生影响，所以对图像数据进行编码是量子机器学习首要的也是十分重要的步骤。
调研发现目前量子机器学习编码图像数据的工作具有多种方式。例如，将图像数据中的特征作为参数编码进量子旋转门中，作用到对应的量子比特上。还有各种振幅编码方式，是将特征编码到最终量子比特各个量子态对应的振幅中。
但是，在量子机器学习中使用这些编码方式存在以下的问题：编码方式种类繁多，但对于不同的数据，采用哪种编码方式可以更高效的进行后续的学习过程无法确定。目前还是直接采用常用的编码方式，这可能会由于编码后的量子态数据的分布不合理，对后续的训练过程带来更多的冗余工作，甚至影响最终的结果，降低了量子机器学习的效率。
发明内容
本申请实施例提供一种编码方式筛选方法、装置、电子设备及存储介质，以解决相关技术中直接采用常用的编码方式可能会对后续的训练过程带来更多的冗余工作，甚至影响最终的结果，降低了量子机器学习的效率的问题。
为了解决上述技术问题，本申请实施例是这样实现的：
第一方面，本申请实施例提供了一种编码方式筛选方法，所述方法包括：
获取选择的N种编码方式，N为大于1的正整数；
基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；
基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；
基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。
可选地，所述基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，包括：
对所述图像数据进行转换处理，得到含有n×m个数据的向量，其中，m和n均为正整数；
基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子态向量。
可选地，所述基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数，包括：
针对每种编码方式，获取所述编码方式下各分类数据对应的分类量子态向量；
基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量；
基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数；
基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数。
可选地，所述基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数，包括：
基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径；
基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径；所述分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据；
基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离；
基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数。
可选地，所述基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径，包括：
计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离；
基于所述第一余弦距离，确定各分类数据的第一分布半径。
可选地，所述基于所述第一余弦距离，确定各分类数据的第一分布半径，包括：
从所述第一余弦距离中筛选出距离最大的余弦距离，以作为所述第一分布半径。
可选地，所述基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径，包括：
根据所述分类补集数据对应的量子态向量，确定所述补集平均量子态向量；
计算所述分类补集数据与所述补集平均量子态向量之间的第二余弦距离；
基于所述第二余弦距离，确定所述分类补集数据的第二分布半径。
可选地，所述基于所述第二余弦距离，确定所述分类补集数据的第二分布半径，包括：
从所述第二余弦距离中筛选出距离最大的余弦距离，以作为所述第二分布半径。
可选地，所述基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离，包括：
计算各分类数据与所述补集平均量子态向量之间的第三余弦距离，以作为各分类数据与所述分类补集数据之间的分布距离。
可选地，所述基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数，包括：
通过以下公式计算得到所述分布衡量系数：
上述公式中，表示分类数据的分布衡量系数，/>表示分布距离，/>表示第一分布半径，/>表示第二分布半径，/>表示类别标签。
可选地，所述基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量，包括；
通过以下公式计算得到所述平均量子态向量：
上述公式中，表示平均量子态向量，/>表示分类量子态向量，/>表示类别标签。
可选地，所述基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数，包括：
通过以下公式计算得到所述衡量系数：
上述公式中，表示衡量系数，/>表示分类数据的分布衡量系数，/>表示分类标签。
可选地，所述基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式，包括：
根据所述N种编码方式的衡量系数，从所述N种编码方式中筛选出所述衡量系数趋近于0的编码方式，以作为所述目标编码方式。
可选地，所述获取选的N种编码方式，包括：
获取量子计算领域内存在的所有编码方式，以作为所述N种编码方式；或者；
显示量子计算领域内存在的所有编码方式，并获取用户从所述所有编码方式中选择的所述N种编码方式。
可选地，所述编码方式包括：基本量子编码方式、密集角编码方式和振幅编码方式中的至少两种。
第二方面，本申请实施例提供了一种编码方式筛选装置，所述装置包括：
编码方式获取模块，用于获取选择的N种编码方式，N为大于1的正整数；
量子态向量获取模块，用于基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；
衡量系数获取模块，用于基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；
目标编码方式筛选模块，用于基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。
可选地，所述量子态向量获取模块包括：
向量获取单元，用于对所述图像数据进行转换处理，得到含有n×m个数据的向量，其中，m和n均为正整数；
量子态向量获取单元，用于基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子态向量。
可选地，所述衡量系数获取模块包括：
分类量子态向量获取单元，用于针对每种编码方式，获取所述编码方式下各分类数据对应的分类量子态向量；
平均量子态向量计算单元，用于基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量；
分布衡量系数计算单元，用于基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数；
衡量系数计算单元，用于基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数。
可选地，所述分布衡量系数计算单元包括：
第一分布半径确定子单元，用于基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径；
第二分布半径确定子单元，用于基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径；所述分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据；
分布距离确定子单元，用于基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离；
分布衡量系数计算子单元，用于基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数。
可选地，所述第一分布半径确定子单元包括：
第一余弦距离计算子单元，用于计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离；
第一分布半径计算子单元，用于基于所述第一余弦距离，确定各分类数据的第一分布半径。
可选地，所述第一分布半径计算子单元包括：
第一分布半径获取子单元，用于从所述第一余弦距离中筛选出距离最大的余弦距离，以作为所述第一分布半径。
可选地，所述第二分布半径确定子单元包括：
补集平均向量确定子单元，用于根据所述分类补集数据对应的量子态向量，确定所述补集平均量子态向量；
第二余弦距离计算子单元，用于计算所述分类补集数据与所述补集平均量子态向量之间的第二余弦距离；
第二分布半径计算子单元，用于基于所述第二余弦距离，确定所述分类补集数据的第二分布半径。
可选地，所述第二分布半径计算子单元包括：
第二分布半径获取子单元，用于从所述第二余弦距离中筛选出距离最大的余弦距离，以作为所述第二分布半径。
可选地，所述分布距离确定子单元包括：
分布距离获取子单元，用于计算各分类数据与所述补集平均量子态向量之间的第三余弦距离，以作为各分类数据与所述分类补集数据之间的分布距离。
可选地，所述分布衡量系数计算子单元包括：
通过以下公式计算得到所述分布衡量系数：
上述公式中，表示分类数据的分布衡量系数，/>表示分布距离，/>表示第一分布半径，/>表示第二分布半径，/>表示类别标签。
可选地，所述平均量子态向量计算单元包括；
通过以下公式计算得到所述平均量子态向量：
上述公式中，表示平均量子态向量，/>表示分类量子态向量，/>表示类别标签。
可选地，所述衡量系数计算单元包括：
通过以下公式计算得到所述衡量系数：
上述公式中，表示衡量系数，/>表示分类数据的分布衡量系数，/>表示分类标签。
可选地，所述目标编码方式筛选模块包括：
目标编码方式筛选单元，用于根据所述N种编码方式的衡量系数，从所述N种编码方式中筛选出所述衡量系数趋近于0的编码方式，以作为所述目标编码方式。
可选地，所述编码方式获取模块包括：
第一编码方式获取单元，用于获取量子计算领域内存在的所有编码方式，以作为所述N种编码方式；
第二编码方式获取单元，用于显示量子计算领域内存在的所有编码方式，并获取用户从所述所有编码方式中选择的所述N种编码方式。
可选地，所述编码方式包括：基本量子编码方式、密集角编码方式和振幅编码方式中的至少两种。
第三方面，本申请实施例提供了一种电子设备，包括：
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任一项所述的编码方式筛选方法。
第四方面，本申请实施例提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的编码方式筛选方法。
第五方面，本申请实施例提供了一种量子设备，所述量子设备能够执行上述任一项所述的编码方式筛选方法。
在本申请实施例中，通过获取选择的N种编码方式，N为大于1的正整数。基于N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，图像数据是指用数值表示的图像内各像素的灰度值的集合。基于每种编码方式对应的量子态向量，计算得到每种编码方式对图像数据的衡量系数。基于衡量系数，从N种编码方式中筛选出图像数据对应的目标编码方式。本申请实施例通过先衡量用于量子机器学习的编码方式的效果，从而相比于在后续量子机器学习过程才能得到数据的学习效果来进行比较，可以在训练开始之前就选取最为适合的编码方式，从而可以大大提升量子机器学习的效率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本申请实施例提供的一种编码方式筛选方法的步骤流程图；
图2为本申请实施例提供的一种量子态向量获取方法的步骤流程图；
图3为本申请实施例提供的一种衡量系数计算方法的步骤流程图；
图4为本申请实施例提供的一种分布衡量系数计算方法的步骤流程图；
图5为本申请实施例提供的一种第一分布半径确定方法的步骤流程图；
图6为本申请实施例提供的一种第二分布半径确定方法的步骤流程图；
图7为本申请实施例提供的一种分布距离获取方法的步骤流程图；
图8为本申请实施例提供的一种目标编码方式获取方法的步骤流程图；
图9为本申请实施例提供的一种编码方式筛选装置的结构示意图；
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
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。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。
参照图1，示出了本申请实施例提供的一种编码方式筛选方法的步骤流程图，如图1所示，该编码方式筛选方法可以包括：步骤101、步骤102、步骤103和步骤104。
步骤101：获取选择的N种编码方式，N为大于1的正整数。
本申请实施例可以应用于在进行训练之前，计算N种编码方式的衡量系数，以选取最合适的编码方式的场景中。
在本示例中，在需要对图像数据进行编码时，可以获取选择的N种编码方式，其中，N为大于1的正整数。
在某些示例中，N种编码方式可以为系统选择的量子计算领域内存在的所有编码方式。具体地，可以获取量子计算领域内存在的所有编码方式，以作为N种编码方式。
在某些示例中，N种编码方式可以为用户选择的编码方式。具体地，系统可以获取量子计算领域内存在的所有编码方式，并显示所有编码方式，进而，可以由用户从显示的所有编码方式中筛选出N种编码方式等。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，在具体实现中，可以根据业务需求进行N种编码方式的选择，本申请实施例对此不加以限制。
在本示例中，N种编码方式可以包括：基本量子编码方式、密集角编码方式和振幅编码方式等编码方式中的至少两种。
对于上述三种编码方式可以结合以下示例进行详细描述。例如，对于具有n个特征值的向量，基本量子编码方式可以将其编码为量子比特：/>。密集角编码方式可以将其编码为：/>。振幅编码方式可以将其编码为：/>。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
当然，在具体实现中，N种编码方式不仅仅可以包含上述三种编码方式，还可以包含量子计算领域内的其它编码方式，本实施例对此不加以限制。
在获取到选择的N种编码方式之后，执行步骤102。
步骤102：基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合。
在本示例中，图像数据是指用数值表示的图像内各像素的灰度值的集合。
在获取到选择的N种编码方式之后，则可以基于N种编码方式对图像数据进行编码，以得到每种编码方式对应的量子态向量。例如，N种编码方式包括：基本量子编码方式、密集角编码方式和振幅编码方式。在进行图像数据编码时，可以采用基本量子编码方式对图像数据进行编码，以得到基本量子编码方式对应的量子态向量。采用密集角编码方式对图像数据进行编码，以得到密集角编码方式对应的量子态向量。采用振幅编码方式对图像数据进行编码，以得到振幅编码方式对应的量子态向量等。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在具体实现中，在对图像数据进行编码时，可以先将图像数据转换为向量，然后通过N种编码方式对转换得到的向量进行编码，从而可以得到量子态向量。对于该实现过程可以结合图2进行如下详细描述。
参照图2，示出了本申请实施例提供的一种量子态向量获取方法的步骤流程图。如图2所示，该量子态向量获取方法可以包括：步骤201和步骤202。
步骤201：对所述图像数据进行转换处理，得到含有n×m个数据的向量，其中，m和n均为正整数。
在本实施例中，在通常情况下，图像数据为二维平面数据n行m列，其中n和m可相同，编码前将图像数据变换为含有n*m个数据的向量。
在对图像数据进行转换处理得到含有n×m个数据的向量之后，执行步骤202。
步骤202：基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子态向量。
在对图像数据进行转换处理得到含有n×m个数据的向量之后，则可以采用N种编码方式对含有n×m个数据的向量进行编码处理，得到每种编码方式对应的量子态向量。例如，含有n×m个数据的向量为：，通过所选择的编码方式将该向量编码为量子态/>，那么，N种编码方式分别对应的量子态向量即为：/>。
在某些示例中，在采用N种编码方式对向量进行编码时，可以采用依次编码的方式，例如，N种编码方式为：基本量子编码方式、密集角编码方式和振幅编码方式，那么，可以先采用基本量子编码方式对向量进行编码，然后采用密集角编码方式对向量进行编码，最后采用振幅编码方式对向量进行编码等。当然，基本量子编码方式、密集角编码方式和振幅编码方式的编码先后顺序可以自定义，本实施例对此不加以限制。
在某些示例中，在采用N种编码方式对向量进行编码时，可以采用同时编码的方式，例如，N种编码方式为：基本量子编码方式、密集角编码方式和振幅编码方式，那么，可以调用三个空闲线程以分别进行编码，如调用线程1采用基本量子编码方式对向量进行编码，调用线程2采用密集角编码方式对向量进行编码，调用线程4采用振幅编码方式对向量进行编码等。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在基于N种编码方式对图像数据进行编码得到每种编码方式对应的量子态向量之后，执行步骤103。
步骤103：基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数。
衡量系数是指用于衡量编码方式对图像数据的编码效果的系数。在本示例中，衡量系数趋近于0时，则表示对图像数据的编码效果较好，反之，衡量系数离0较远，则表示对图像数据的编码效果较差。
在基于N种编码方式对图像数据进行编码得到每种编码方式对应的量子态向量之后，可以基于每种编码方式对应的量子态向量，计算得到每种编码方式对图像数据的衡量系数。例如，N种编码方式包括：基本量子编码方式、密集角编码方式和振幅编码方式。在进行衡量系数的计算时，可以基于基本量子编码方式对应的量子态向量计算得到基本量子编码方式对图像数据的衡量系数。可以基于密集角编码方式对应的量子态向量计算得到密集角编码方式对图像数据的衡量系数。并基于振幅编码方式对应的量子态向量计算得到振幅编码方式对图像数据的衡量系数等。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在具体实现中，在进行衡量系数的计算时，可以针对每种编码方式对应的量子态向量，获取各分类数据对应的分类量子态向量，并计算得到各分类数据对应的平均量子态向量，进而，可以基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数。最后，可以基于分布衡量系数计算得到每种编码方式对图像数据的衡量系数。对于该实现过程可以结合图3进行如下详细描述。
参照图3，示出了本申请实施例提供的一种衡量系数计算方法的步骤流程图。如图3所示，该衡量系数计算方法可以包括：步骤301、步骤302、步骤303和步骤304。
步骤301：针对每种编码方式，获取所述编码方式下各分类数据对应的分类量子态向量。
在本申请实施例中，针对每种编码方式，可以获取编码方式下各分类数据对应的分类量子态向量。在具体实现中，在机器学习中，图像数据可以分为多种类别，如一分类，二分类等。
在得到每种编码方式的量子态向量之后，则可以获取每种编码方式下各分类数据对应的分类量子态向量。
在获取到编码方式下各分类数据对应的分类量子态向量之后，执行步骤302。
步骤302：基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量。
在获取到编码方式下各分类数据对应的分类量子态向量之后，可以基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量。即将所有同一分类的量子态数据进行平均，得到平均量子态向量。具体地，可以通过以下公式（1）计算得到平均量子态向量。
（1）
上述公式（1）中，表示平均量子态向量，/>表示分类量子态向量，/>表示类别标签。
在基于各分类数据的分类量子态向量计算得到各分类数据对应的平均量子态向量之后，执行步骤303。
步骤303：基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数。
在本示例中，分布衡量系数可以用于指示分类数据分布效果的系数。
在基于各分类数据的分类量子态向量计算得到各分类数据对应的平均量子态向量之后，则可以基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数。
在具体实现中，可以基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的分布半径。基于各分类数据对应的分类补集数据和分类补集数据对应的补集平均量子态向量，确定分类补集数据的分布半径。并基于各分类数据和补集平均量子态向量，确定各分类数据与分类补集数据之间的分布距离。进而可以结合两个分布半径和分布距离计算得到分布衡量系数。对于该实现过程可以结合图4进行如下详细描述。
参照图4，示出了本申请实施例提供的一种分布衡量系数计算方法的步骤流程图。如图4所示，该分布衡量系数计算方法可以包括：步骤401、步骤402、步骤403和步骤404。
步骤401：基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径。
在本申请实施例中，第一分布半径是指各分类数据中同一分类的各个数据对对应的平均量子态向量之间的半径。
在具体实现中，在得到各分类数据分别对应的平均量子态向量之后，可以基于各分类数据和各分类数据对应的平均量子态向量，确定出各分类数据的第一分布半径。具体地，针对各分类数据中同一分类的各个数据，可以计算各分类数据中同一分类的各个数据对对应的平均量子态向量的余弦距离，并根据该余弦距离确定出各分类数据的第一分布半径。对于该实现过程可以结合图5进行如下详细描述。
参照图5，示出了本申请实施例提供的一种第一分布半径确定方法的步骤流程图。如图5所示，该第一分布半径确定方法可以包括：步骤501和步骤502。
步骤501：计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离。
在本申请实施例中，在计算得到各分类数据对应的平均量子态向量之后，可以计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离。例如，分类数据包括：类别1、类别2和类别3，类别1、类别2和类别3对应的平均量子态向量分别为向量1、向量2和向量3，此时，可以计算类别1下各数据与向量1之间的余弦距离，计算类别2下各数据与向量2之间的余弦距离，并计算类别3下各数据与向量3之间的余弦距离，至此即可以得到各分类数据所对应的第一余弦距离。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在计算得到各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离之后，执行步骤502。
步骤502：基于所述第一余弦距离，确定各分类数据的第一分布半径。
在计算得到各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离之后，则可以基于第一余弦距离确定出各分类数据的第一分布半径。
在具体实现中，可以从第一余弦距离中筛选出距离最大的余弦距离，以作为第一分布半径。例如，第一余弦距离包括：距离1、距离2和距离3，距离1＞距离2＞距离3，此时，可以将距离1作为第一分布半径等。具体地计算公式可以如下述公式（2）所示：
（2）
上述公式（2）中，表示类别标签为/>的数据对应的分布半径，/>为平均量子态向量，/>为类别标签为/>的分类量子态向量。
步骤402：基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径；所述分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据。
第二分布半径是指各分类数据的分类补集数据中各个数据对对应的补集平均量子态向量之间的半径。
分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据，例如，分类数据包括：类别A、类别B和类别C，那么，类别B和类别C下的数据即为类别A下的数据的分类补集数据。类别A和类别B下的数据即为类别C下的数据的分类补集数据。类别A和类别C下的数据即为类别B下的数据的分类补集数据等。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在获取到各分类数据之后，则可以获取各分类数据对应的分类补集数据和分类补集数据对应的补集平均量子态向量。即将不是所有不是该分类的量子态数据进行平均，得到补集平均量子态向量，如下述公式（3）所示：
（3）
上述公式（3）中，表示类别标签A的分类数据对应的分类补集数据的补集平均量子态向量，/>表示分类量子态向量。
在得到各分类数据对应的分类补集数据和分类补集数据对应的补集平均量子态向量之后，则可以基于各分类数据对应的分类补集数据和分类补集数据对应的补集平均量子态向量，确定出分类补集数据的第二分布半径。
在具体实现中，可以通过根据分类补集数据对应的量子态向量，确定补集平均量子态向量，计算分类补集数据与补集平均量子态向量之间的第二余弦距离，并基于第二余弦距离，确定分类补集数据的第二分布半径。对于该实现过程可以结合图6进行如下详细描述。
参照图6，示出了本申请实施例提供的一种第二分布半径确定方法的步骤流程图。如图6所示，该第二分布半径确定方法可以包括：步骤601、步骤602和步骤603。
步骤601：根据所述分类补集数据对应的量子态向量，确定所述补集平均量子态向量。
在本申请实施例中，可以根据分类补集数据对应的量子态向量，确定补集平均量子态向量，如上述公式（3）所示。
在根据分类补集数据对应的量子态向量确定出补集平均量子态向量之后，执行步骤602。
步骤602：计算所述分类补集数据与所述补集平均量子态向量之间的第二余弦距离。
在根据分类补集数据对应的量子态向量确定出补集平均量子态向量之后，则可以计算分类补集数据与补集平均量子态向量之间的第二余弦距离。即计算分类补集数据对应的量子态向量与补集平均量子态向量之间的余弦距离，即为第二余弦距离。
在计算得到分类补集数据与补集平均量子态向量之间的第二余弦距离之后，执行步骤603。
步骤603：基于所述第二余弦距离，确定所述分类补集数据的第二分布半径。
在计算得到分类补集数据与补集平均量子态向量之间的第二余弦距离之后，则可以基于第二余弦距离确定出分类补集数据的第二分布距离。
在具体实现中，可以从第二余弦距离中筛选出距离最大的余弦距离，以作为第二分布半径。例如，第二余弦距离包括：距离6、距离7和距离8，距离7＞距离8＞距离6，此时，可以将距离8作为第二分布半径等。具体地计算公式可以下述公式（4）所示：
（4）
上述公式（4）中，为分类标签A对应的分类补集数据的第二分布半径，/>为补集平均量子态向量，/>为分类标签A对应的分类补集数据的量子态向量。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
步骤403：基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离。
在得到各分类数据以及各分类数据对应的补集平均量子态向量之后，则可以基于各分类数据和补集平均量子态向量，确定各分类数据与分类补集数据之间的分布距离。具体地，可以计算各分类数据与补集平均量子态向量之间的第三余弦距离，以作为各分类数据与分类补集数据之间的分布距离。对于该实现过程可以结合图7进行如下详细描述。
参照图7，示出了本申请实施例提供的一种分布距离获取方法的步骤流程图。如图7所示，该分布距离获取方法可以包括：步骤701。
步骤701：计算各分类数据与所述补集平均量子态向量之间的第三余弦距离，以作为各分类数据与所述分类补集数据之间的分布距离。
在本实施例中，可以计算各分类数据与补集平均量子态向量之间的第三余弦距离，即计算各分类数据对应的分类量子态向量与对应的补集平均量子态向量之间的余弦距离，即得到第三余弦距离。
在得到第三余弦距离之间，则可以将该第三余弦距离作为各分类是护具与对应的分类补集数据之间的分布距离。具体地，计算各分类数据与其补集数据的平均量子态之间的余弦距离d，用以表征各分类数据与其他数据的分布距离。如下述公式（5）所示：
（5）
上述公式（5）所示，为分类标签为A的分类数据与其平均量子态向量补集分布距离，/>为分类标签为A的分类数据的分类量子态向量，/>为分类标签为A的分类数据对应的分类补集数据的平均量子态向量。
在通过上述步骤得到第一分布半径、第二分布半径和分布距离之后，执行步骤404。
步骤404：基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数。
在得到第一分布半径、第二分布半径和分布距离之后，则可以基于第一分布半径、第二分布半径和分布距离，计算得到各分类数据的分布衡量系数。
在具体实现中，选择作为衡量该分类数据分布效果的系数，该系数与/>成正相关，与/>成负相关，根据前面的计算公式，可知/>越大代表两组数据分离的越远，/>越小代表数据分布的越集中，也就代表两组数据更容易被区分开，所以/>系数可以很好的表征两组数据分布的效果。
具体地计算方式可以下述公式（6）所示：
（6）
上述公式中，表示分类数据的分布衡量系数，/>表示分布距离，/>表示第一分布半径，/>表示第二分布半径，/>表示类别标签。
在基于各分类数据和各分类数据对应的平均量子态向量计算得到各分类数据的分布衡量系数之后，执行步骤304。
步骤304：基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数。
在基于各分类数据和各分类数据对应的平均量子态向量计算得到各分类数据的分布衡量系数之后，则可以基于各分类数据的分布衡量系数计算得到编码方式对图像数据的衡量系数。具体地，可以通过下述公式（7）计算得到编码方式对图像数据的衡量系数。
（7）
上述公式（7）中，表示衡量系数，/>表示分类数据的分布衡量系数，/>表示分类标签。
可以理解地，根据上述步骤计算得到的每种标签（即分类数据）下数据分布的系数（即分类衡量系数），如果/>大于0，表示该分类数据与其他数据分隔效果好。为了将所有标签的系数整合起来，如果/>大于0，在总系数D中不计分，通过公式计算为0，如果/>小于0，表示该分类数据与其他数据有重合交叉部分，该负值越小，表示重合区域越大，加入到总系数D中，所以总系数越大，越接近0表示该给分类数据与其他数据的分隔效果越好，表示编码效果越好。
通过上述方式即可以得到不同编码方式对应的衡量系数，例如，N种编码方式为：，基于上述方式即可以得到N种编码方式对应的衡量系数，即/>。
在基于每种编码方式对应的量子态向量计算得到每种编码方式对图像数据的衡量系数之后，执行步骤104。
步骤104：基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。
在基于每种编码方式对应的量子态向量计算得到每种编码方式对图像数据的衡量系数之后，则可以基于衡量系数从N种编码方式中筛选出图像数据对应的目标编码方式，该目标编码方式即可以用于将图像数据编码为量子态数据，以进行量子机器学习过程。对于目标编码方式的筛选过程可以结合图8进行如下详细描述。
参照图8，示出了本申请实施例提供的一种目标编码方式获取方法的步骤流程图。如图8所示，该目标编码方式获取方法可以包括：步骤801。
步骤801：根据所述N种编码方式的衡量系数，从所述N种编码方式中筛选出所述衡量系数趋近于0的编码方式，以作为所述目标编码方式。
在本申请实施例中，根据上述D的计算方式，可以得到拟采用的编码方法对应的.选择衡量系数接近0的编码方式/>。例如，编码方式/>对应的衡量系数为/>，编码方式/>对应的衡量系数为/>，编码方式/>对应的衡量系数为/>，其中，/>更趋近于0，即/>与0的差值与相比/>和/>，该数值更小。此时，编码方式/>即可以选择为目标编码方式。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
本申请实施例通过先衡量用于量子机器学习的编码方式的效果，从而相比于在后续量子机器学习过程才能得到数据的学习效果来进行比较，可以在训练开始之前就选取最为适合的编码方式，从而可以大大提升量子机器学习的效率。
在筛选出图像数据对应的目标编码方式之后，则可以基于目标编码方式对图像数据进行编码，并将编码得到的向量用于后续的机器学习。具体地，在筛选得到图像数据对应的目标编码方式之后，则可以基于目标编码方式对图像数据进行编码处理，以得到目标量子态数据。例如，在目标编码方式为基本量子编码方式时，则可以通过基本量子编码方式将图像数据编码为目标量子态数据。在目标编码方式为密集角编码方式时，则可以通过密集角编码方式将图像数据编码为目标量子态数据等。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
在基于目标编码方式对图像数据进行编码处理得到目标量子态数据之后，则将编码得到的目标量子数据应用于量子机器学习算法中，具体地，可以应用于量子机器学习算法的模型训练场景，如训练基于量子机器学习算法的图像分类模型等。也可以应用于量子机器学习算法的模型推理场景，如图像分类等场景。
可以理解地，本实施例提供的上述编码方式筛选方案不仅仅可以应用于上述场景，还可以应用于其它场景，本实施例对此不加以限制。
本申请实施例提供的编码方式筛选方法，通过获取选择的N种编码方式，N为大于1的正整数。基于N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，图像数据是指用数值表示的图像内各像素的灰度值的集合。基于每种编码方式对应的量子态向量，计算得到每种编码方式对图像数据的衡量系数。基于衡量系数，从N种编码方式中筛选出图像数据对应的目标编码方式。本申请实施例通过先衡量用于量子机器学习的编码方式的效果，从而相比于在后续量子机器学习过程才能得到数据的学习效果来进行比较，可以在训练开始之前就选取最为适合的编码方式，从而可以大大提升量子机器学习的效率。
参照图9，示出了本申请实施例提供的一种编码方式筛选装置的结构示意图。如图9所示，该编码方式筛选装置900可以包括以下模块：
编码方式获取模块901，用于获取选择的N种编码方式，N为大于1的正整数；
量子态向量获取模块902，用于基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；
衡量系数获取模块903，用于基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；
目标编码方式筛选模块904，用于基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。
可选地，所述量子态向量获取模块902包括：
向量获取单元，用于对所述图像数据进行转换处理，得到含有n×m个数据的向量，其中，m和n均为正整数；
量子态向量获取单元，用于基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子态向量。
可选地，所述衡量系数获取模块903包括：
分类量子态向量获取单元，用于针对每种编码方式，获取所述编码方式下各分类数据对应的分类量子态向量；
平均量子态向量计算单元，用于基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量；
分布衡量系数计算单元，用于基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数；
衡量系数计算单元，用于基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数。
可选地，所述分布衡量系数计算单元包括：
第一分布半径确定子单元，用于基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径；
第二分布半径确定子单元，用于基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径；所述分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据；
分布距离确定子单元，用于基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离；
分布衡量系数计算子单元，用于基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数。
可选地，所述第一分布半径确定子单元包括：
第一余弦距离计算子单元，用于计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离；
第一分布半径计算子单元，用于基于所述第一余弦距离，确定各分类数据的第一分布半径。
可选地，所述第一分布半径计算子单元包括：
第一分布半径获取子单元，用于从所述第一余弦距离中筛选出距离最大的余弦距离，以作为所述第一分布半径。
可选地，所述第二分布半径确定子单元包括：
补集平均向量确定子单元，用于根据所述分类补集数据对应的量子态向量，确定所述补集平均量子态向量；
第二余弦距离计算子单元，用于计算所述分类补集数据与所述补集平均量子态向量之间的第二余弦距离；
第二分布半径计算子单元，用于基于所述第二余弦距离，确定所述分类补集数据的第二分布半径。
可选地，所述第二分布半径计算子单元包括：
第二分布半径获取子单元，用于从所述第二余弦距离中筛选出距离最大的余弦距离，以作为所述第二分布半径。
可选地，所述分布距离确定子单元包括：
分布距离获取子单元，用于计算各分类数据与所述补集平均量子态向量之间的第三余弦距离，以作为各分类数据与所述分类补集数据之间的分布距离。
可选地，所述分布衡量系数计算子单元包括：
通过以下公式计算得到所述分布衡量系数：
上述公式中，表示分类数据的分布衡量系数，/>表示分布距离，/>表示第一分布半径，/>表示第二分布半径，/>表示类别标签。
可选地，所述平均量子态向量计算单元包括；
通过以下公式计算得到所述平均量子态向量：
上述公式中，表示平均量子态向量，/>表示分类量子态向量，/>表示类别标签。
可选地，所述衡量系数计算单元包括：
通过以下公式计算得到所述衡量系数：
上述公式中，表示衡量系数，/>表示分类数据的分布衡量系数，/>表示分类标签。
可选地，所述目标编码方式筛选模块904包括：
目标编码方式筛选单元，用于根据所述N种编码方式的衡量系数，从所述N种编码方式中筛选出所述衡量系数趋近于0的编码方式，以作为所述目标编码方式。
可选地，所述编码方式获取模块包括：
第一编码方式获取单元，用于获取量子计算领域内存在的所有编码方式，以作为所述N种编码方式；
第二编码方式获取单元，用于显示量子计算领域内存在的所有编码方式，并获取用户从所述所有编码方式中选择的所述N种编码方式。
可选地，所述编码方式包括：基本量子编码方式、密集角编码方式和振幅编码方式中的至少两种。
本申请实施例提供的编码方式筛选装置，通过获取选择的N种编码方式，N为大于1的正整数。基于N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，图像数据是指用数值表示的图像内各像素的灰度值的集合。基于每种编码方式对应的量子态向量，计算得到每种编码方式对图像数据的衡量系数。基于衡量系数，从N种编码方式中筛选出图像数据对应的目标编码方式。本申请实施例通过先衡量用于量子机器学习的编码方式的效果，从而相比于在后续量子机器学习过程才能得到数据的学习效果来进行比较，可以在训练开始之前就选取最为适合的编码方式，从而可以大大提升量子机器学习的效率。
另外地，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述编码方式筛选方法。
图10示出了本发明实施例的一种电子设备1000的结构示意图。如图10所示，电子设备1000包括中央处理单元（CPU）1001，其可以根据存储在只读存储器（ROM）1002中的计算机程序指令或者从存储单元1008加载到随机访问存储器（RAM）1003中的计算机程序指令，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标、麦克风等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，可由处理单元1001执行。例如，上述任一实施例的方法可被实现为计算机软件程序，其被有形地包含于计算机可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序被加载到RAM1003并由CPU1001执行时，可以执行上文描述的方法中的一个或多个动作。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述编码方式筛选方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等。
本申请实施例还提供了一种量子设备，所述量子设备可以用于执行上述编码方式筛选方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
本领域普通技术人员可以意识到，结合本申请实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，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以权利要求的保护范围为准。
Claims (20)
1.一种编码方式筛选方法，其特征在于，所述方法包括：
获取选择的N种编码方式，N为大于1的正整数；
基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；
基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；
基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。
2.根据权利要求1所述的方法，其特征在于，所述基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，包括：
对所述图像数据进行转换处理，得到含有n×m个数据的向量，其中，m和n均为正整数；
基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子态向量。
3.根据权利要求1所述的方法，其特征在于，所述基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数，包括：
针对每种编码方式，获取所述编码方式下各分类数据对应的分类量子态向量；
基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量；
基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数；
基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数。
4.根据权利要求3所述的方法，其特征在于，所述基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数，包括：
基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径；
基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径；所述分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据；
基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离；
基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数。
5.根据权利要求4所述的方法，其特征在于，所述基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径，包括：
计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离；
基于所述第一余弦距离，确定各分类数据的第一分布半径。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一余弦距离，确定各分类数据的第一分布半径，包括：
从所述第一余弦距离中筛选出距离最大的余弦距离，以作为所述第一分布半径。
7.根据权利要求4所述的方法，其特征在于，所述基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径，包括：
根据所述分类补集数据对应的量子态向量，确定所述补集平均量子态向量；
计算所述分类补集数据与所述补集平均量子态向量之间的第二余弦距离；
基于所述第二余弦距离，确定所述分类补集数据的第二分布半径。
8.根据权利要求7所述的方法，其特征在于，所述基于所述第二余弦距离，确定所述分类补集数据的第二分布半径，包括：
从所述第二余弦距离中筛选出距离最大的余弦距离，以作为所述第二分布半径。
9.根据权利要求4所述的方法，其特征在于，所述基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离，包括：
计算各分类数据与所述补集平均量子态向量之间的第三余弦距离，以作为各分类数据与所述分类补集数据之间的分布距离。
10.根据权利要求4所述的方法，其特征在于，所述基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数，包括：
通过以下公式计算得到所述分布衡量系数：
上述公式中，/>表示分类数据的分布衡量系数，/>表示分布距离，表示第一分布半径，/>表示第二分布半径，/>表示类别标签。
11.根据权利要求3所述的方法，其特征在于，所述基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量，包括；
通过以下公式计算得到所述平均量子态向量：
上述公式中，/>表示平均量子态向量，/>表示分类量子态向量，/>表示类别标签。
12.根据权利要求3所述的方法，其特征在于，所述基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数，包括：
通过以下公式计算得到所述衡量系数：
上述公式中，/>表示衡量系数，/>表示分类数据的分布衡量系数，/>表示分类标签。
13.根据权利要求1所述的方法，其特征在于，所述基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式，包括：
根据所述N种编码方式的衡量系数，从所述N种编码方式中筛选出所述衡量系数趋近于0的编码方式，以作为所述目标编码方式。
14.根据权利要求1所述的方法，其特征在于，所述获取选的N种编码方式，包括：
获取量子计算领域内存在的所有编码方式，以作为所述N种编码方式；或者；
显示量子计算领域内存在的所有编码方式，并获取用户从所述所有编码方式中选择的所述N种编码方式。
15.根据权利要求1至14中任一项所述的方法，其特征在于，所述编码方式包括：基本量子编码方式、密集角编码方式和振幅编码方式中的至少两种。
16.一种编码方式筛选装置，其特征在于，所述装置包括：
编码方式获取模块，用于获取选择的N种编码方式，N为大于1的正整数；
量子态向量获取模块，用于基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；
衡量系数获取模块，用于基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；
目标编码方式筛选模块，用于基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。
17.根据权利要求16所述的装置，其特征在于，所述量子态向量获取模块包括：
向量获取单元，用于对所述图像数据进行转换处理，得到含有n×m个数据的向量，其中，m和n均为正整数；
量子态向量获取单元，用于基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子态向量。
18.一种电子设备，其特征在于，包括：
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至15中任一项所述的编码方式筛选方法。
19.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1至15中任一项所述的编码方式筛选方法。
20.一种量子设备，其特征在于，所述量子设备能够执行权利要求1至15中任一项所述的编码方式筛选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311256370.7A CN116993839B (zh) | 2023-09-26 | 2023-09-26 | 编码方式筛选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311256370.7A CN116993839B (zh) | 2023-09-26 | 2023-09-26 | 编码方式筛选方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116993839A true CN116993839A (zh) | 2023-11-03 |
| CN116993839B CN116993839B (zh) | 2024-01-26 |
Family
ID=88523604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311256370.7A Active CN116993839B (zh) | 2023-09-26 | 2023-09-26 | 编码方式筛选方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993839B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160321559A1 (en) * | 2013-06-28 | 2016-11-03 | D-Wave Systems Inc. | Systems and methods for quantum processing of data |
| US20220230417A1 (en) * | 2020-07-28 | 2022-07-21 | Ping An Technology (Shenzhen) Co., Ltd. | Method for selecting image samples and related equipment |
| CN115118964A (zh) * | 2022-06-24 | 2022-09-27 | 腾讯科技（深圳）有限公司 | 视频编码方法、装置、电子设备及计算机可读存储介质 |
| CN116348952A (zh) * | 2023-02-09 | 2023-06-27 | 北京小米移动软件有限公司 | 一种音频信号处理、装置、设备及存储介质 |
| WO2023174254A1 (zh) * | 2022-03-14 | 2023-09-21 | 百果园技术(新加坡)有限公司 | 视频发布方法、装置、设备及存储介质 |
| CN116797913A (zh) * | 2022-10-13 | 2023-09-22 | 中移(苏州)软件技术有限公司 | 一种图像质量评价方法、装置、电子设备及存储介质 |
-
2023
- 2023-09-26 CN CN202311256370.7A patent/CN116993839B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160321559A1 (en) * | 2013-06-28 | 2016-11-03 | D-Wave Systems Inc. | Systems and methods for quantum processing of data |
| US20220230417A1 (en) * | 2020-07-28 | 2022-07-21 | Ping An Technology (Shenzhen) Co., Ltd. | Method for selecting image samples and related equipment |
| WO2023174254A1 (zh) * | 2022-03-14 | 2023-09-21 | 百果园技术(新加坡)有限公司 | 视频发布方法、装置、设备及存储介质 |
| CN115118964A (zh) * | 2022-06-24 | 2022-09-27 | 腾讯科技（深圳）有限公司 | 视频编码方法、装置、电子设备及计算机可读存储介质 |
| CN116797913A (zh) * | 2022-10-13 | 2023-09-22 | 中移(苏州)软件技术有限公司 | 一种图像质量评价方法、装置、电子设备及存储介质 |
| CN116348952A (zh) * | 2023-02-09 | 2023-06-27 | 北京小米移动软件有限公司 | 一种音频信号处理、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116993839B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | Image splicing forgery detection combining coarse to refined convolutional neural network and adaptive clustering | |
| JP4697670B2 (ja) | 識別用データ学習システム、学習装置、識別装置及び学習方法 | |
| WO2021189364A1 (zh) | 一种对抗图像生成方法、装置、设备以及可读存储介质 | |
| Liu et al. | Data-driven deep learning for signal classification in industrial cognitive radio networks | |
| CN104661037B (zh) | 压缩图像量化表篡改的检测方法和系统 | |
| CN113591566A (zh) | 图像识别模型的训练方法、装置、电子设备和存储介质 | |
| CN107292315B (zh) | 基于多尺度ltp特征的隐写分析方法和隐写分析装置 | |
| CN113269010B (zh) | 一种人脸活体检测模型的训练方法和相关装置 | |
| CN113392791A (zh) | 一种皮肤预测处理方法、装置、设备及存储介质 | |
| CN113989156A (zh) | 脱敏方法的可靠性验证的方法、装置、介质、设备和程序 | |
| CN114140831B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
| CN111950563A (zh) | 一种图像匹配方法、装置以及计算机可读存储介质 | |
| CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
| CN113435531B (zh) | 零样本图像分类方法、系统、电子设备及存储介质 | |
| CN114202473A (zh) | 一种基于多尺度特征和注意力机制的图像复原方法及装置 | |
| CN116630727B (zh) | 模型训练方法、深伪图像检测方法、装置、设备及介质 | |
| CN116993839B (zh) | 编码方式筛选方法、装置、电子设备及存储介质 | |
| CN112037174A (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
| Lu et al. | Environment-aware multiscene image enhancement for internet of things enabled edge cameras | |
| CN113989569B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN116229584A (zh) | 一种人工智能领域的文本分割识别方法、系统、设备及介质 | |
| CN112380369B (zh) | 图像检索模型的训练方法、装置、设备和存储介质 | |
| Mahmood | Defocus Blur Segmentation Using Genetic Programming and Adaptive Threshold. | |
| CN111126177B (zh) | 人数统计的方法及装置 | |
| CN113792849A (zh) | 字符生成模型的训练方法、字符生成方法、装置和设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |