DEV Community
·
量子-经典机器学习：量子卷积神经网络
💡
原文英文，约3200词，阅读约需12分钟。
📝
内容提要
本文介绍了量子卷积神经网络（QNN），通过将经典卷积层替换为量子卷积层，结合量子和经典机器学习。作者在GitHub上分享了QNN代码。尽管理论上有优势，但在MNIST数据集上的表现未超越传统CNN。作者欢迎反馈和建议以改进。
🎯
关键要点
- 本文介绍了量子卷积神经网络（QNN），结合量子和经典机器学习。
- QNN通过将经典卷积层替换为量子卷积层来实现。
- 作者在GitHub上分享了QNN的代码。
- 尽管理论上QNN有优势，但在MNIST数据集上的表现未超越传统CNN。
- 作者欢迎反馈和建议以改进QNN的实现。
- 量子机器学习（QML）迅速发展，探索将经典方法转化为量子形式。
- QNN的主要贡献是quanvolutional层的概念，具有与卷积层相同的参数。
- QNN的实现包括多个层次，如quanvolutional层、卷积层、池化层等。
- 量子滤波器通过量子门计算新值，而不是简单的乘法和加法。
- MNIST数据集是原始论文的目标，编码方法可能需要根据数据集进行调整。
- QNN与CNN的比较显示，QNN在准确性上未必优于CNN。
- 作者实现了QNN并与CNN进行了准确性比较，结果未显示QNN的优势。
❓
延伸问答
量子卷积神经网络（QNN）是什么？
量子卷积神经网络（QNN）是一种结合量子和经典机器学习的模型，通过将经典卷积层替换为量子卷积层来实现。
QNN与传统卷积神经网络（CNN）相比有什么优势？
理论上，QNN在处理某些任务时可能具有优势，但在MNIST数据集上的表现未超越传统CNN。
如何在GitHub上找到QNN的代码实现？
作者在GitHub上分享了QNN的代码，链接为：https://github.com/ksk0629/quanvolutional_neural_network。
QNN的主要贡献是什么？
QNN的主要贡献是提出了quanvolutional层的概念，该层具有与传统卷积层相同的参数。
在MNIST数据集上，QNN的表现如何？
在MNIST数据集上，QNN的表现未能超越传统的卷积神经网络（CNN）。
作者对QNN的实现有什么看法？
作者欢迎反馈和建议，以改进QNN的实现，并表示对实验结果的差异感到疑惑。
➡️
