使用TensorFlow Quantum进行多类分类

问题描述

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。我将以mnist分类示例为基础（https://www.tensorflow.org/quantum/tutorials/mnist），因为这也是我的起点。

对于二进制分类，我使用了不同的类别示例和不同的Gates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，如果qR = 1，然后是1类。

我将其扩展为多类问题，因此我们有4个类（0、1、2、3）。为此，我用tf.keras.utils.to_categorical(y_train)更改了类的标签，以使标签从单个值转换为向量（0->（1,0）; 1->（0,1， 0,0）;等。），使用tf.keras.losses.CategoricalHinge()作为模型损失，并创建4个读出qubit，每个类一个（M（qR0，qR1，qR2，qR3）=（0,1， 0）-> 2类），并且有效。

但是，这种方法大大增加了电路的尺寸。因此，我想做的是仅将2个读出的qubit传递给TFQ，并将组合的度量用于4个类的分类（| 00> = 0，| 10> = 1，| 01> = 2，| 11> = 3） 。理想情况下，这将允许2 ^ n个多类分类，其中n是量子位的数量。在Cirq中，我可以通过对两个读出的量子位执行cirq.measure(qR0,qR1,key='measure')来实现此输出。但是，我很难将这样的命令传递给TFQ，因为据我所知，它仅测量以单个量子位Pauli门结尾的量子位。

那么，TFQ的功能中我缺少什么东西可以在训练过程中进行此类测量吗？

解决方法

从以下代码段开始：

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)

我从这里带走的：https://www.tensorflow.org/quantum/api_docs/python/tfq/layers/Expectation。

output张量的形状为[3,2]，这里我有3个不同的电路，每个电路取两个期望值。 [1,0]在output处的值为：

那么[2,1]在output的值将是：

output的值的形状和内容部分由ops的形状和内容决定。如果我想使输出形状为[3,3]，则可以向cirq.PauliSum列表中添加另一个有效的ops对象。在您的情况下，如果您希望在两个特定的cirq.GridQubit q0和q1上获得00、01、10、11的概率，则可以执行以下操作：

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

使摄取了ops：[whatever_your_batch_size_is,4]的任何图层的输出形状。这有助于清除一切吗？