使用 TensorFlow Quantum 进行多类分类

Question

我正在 TensorFlow Quantum (TFQ) 上运行一些示例和测试，并且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)，因为这也是我的起点。

对于二元分类，我使用了不同的类示例和不同的门组合，分类结果是通过测量单个读出的 qubit (qR) 结果获得的，因此如果 qR=0，我们将分类为 0 类，如果 qR= 1 然后我们有第 1 课。

我将它扩展到多类问题，所以我们有 4 个类 (0,1,2,3)。为此，我使用tf.keras.utils.to_categorical(y_train) 更改类的标签，以便标签从单个值转换为向量 (0 -> (1,0,0,0); 1-> (0,1,0, 0); etc..)，使用tf.keras.losses.CategoricalHinge() 作为模型的损失并创建 4 个读数量子位，每个类一个 (M(qR0, qR1, qR2, qR3) = (0,0,1,0) -> 2 类），这行得通。

但是，这种方法会大大增加电路的尺寸。所以我想要做的是只将 2 个读出 qubits 传递给 TFQ，并使用 4 类分类的组合测量值（|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，我可以通过在两个读出量子位上执行 cirq.measure(qR0, qR1, key='measure') 来实现此输出。但是，我在将此类命令传递给 TFQ 时遇到了困难，因为据我了解，它仅测量以单个量子比特 Pauli 门结尾的量子比特。

那么，我在 TFQ 的功能中是否缺少允许在训练过程中进行此类测量的功能？

Answer 1

从这个sn-p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，我在每个电路上取了两个期望值。 output 的 [1, 0] 的值将是：

那么output 的[2, 1] 的值将是：

output 的值的形状和内容部分取决于ops 的形状和内容。如果我想制作输出形状[3, 3]，我可以将另一个有效的cirq.PauliSum 对象添加到ops 列表中。在您的情况下，如果您希望在两个特定的 cirq.GridQubits q0 和 q1 上获得 00、01、10、11 的概率，您可以执行以下操作：

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

制作摄取ops的任何层的输出形状：[whatever_your_batch_size_is, 4]。这是否有助于解决问题？