inception.py about qc-cnn HOT 4 CLOSED

首先是有通道这个概念的，只是大多数文章不会去讨论代码实现的问题。在我看到的文章里面 QC-CNN 的通道有两种处理方式，一种是我的模型这种一个 qubit 输出一个通道，一个filter 输出 qubit 数目的通道，这也是 2020 年 regetti 的文章的处理方式；还有一种就是你提到的这篇文章，他们是一个 filter 输出一个通道，对每个qubit的输出加和平均，这其实更接近经典的滤波器的实现，但是可以想见地 qubit 开销是第一种方式的几倍。我个人人为在现在的 toy model 里面这两种方式其实几乎不会有表现差异，而且在当下的框架模拟能力和真实设备的qubit数目下，第一种方式肯定也是更现实的。

我是非常想模拟多个filter的情形的，一个filter的实验完全不能证明量子卷积能对现在的大型网络有任何加成；但是在真的上手模拟后发现4qubit的QC-CNN跑起来都如此费劲，还是在简化了数据集的前提下（Hybrid QCCNN 这篇文章之所以能跑6个filter一个原因就是他们的数据集是 $3 \times 3$ 的...），就意识到现有的 qubit 模拟框架其实也是比较稚嫩的，亦或者 QC-CNN 其实根本不适合经典设备去跑，还得用真实的量子计算机，毕竟经典设备模拟的理论极限也就小几十个qubit，再加上各种软件层的性能损失，真的只能做一些 toy model 的模拟。其实这也是整个 QML 领域的现状，量子计算能真正给经典机器学习加成的时代看上去还比较遥远。

from qc-cnn.

非常感谢您详细的解答！
受益匪浅

from qc-cnn.

weight_shapes = {"weights": (n_layers, 2 * n_qubits)}
qnode = qml.QNode(circuit, dev, interface='torch', diff_method='best')
self.ql1 = qml.qnn.TorchLayer(qnode, weight_shapes)

我想问下weight_shapes是不是就对应着 类似旋转角度 它被torch训练并且更新

exec('qml.{}({}, wires = {})'.format(encoding_gates[i], inputs[qub * var_per_qubit + i], qub))
Model里Image Data被作为params 所以我对此有些疑惑

from qc-cnn.

weight_shapes 是描述权重矩阵形状的 tensor，角度确实是在训练中被更新的，是权重和image data作用的结果

from qc-cnn.