|教你在经典计算机上搭建一个量子神经网络，已开源( 三 )
本文插图
网络的输出 ， 我们称之为π(x ， 0) ， 是最后一个量子比特被测量为 |1?状态的概率（Z_n-1代表将Z门应用到最后的量子比特） ， 加上一个经典的偏置项 。
本文插图
最后 ， 我们在输出的数据中取出和 x 有关联的标签 ， 用来计算样本上的损失——我们将使用二次损失 ， 如下：
本文插图
从输出的数据中可以得到网络 p 的预测：
本文插图
接下来要计算损失函数
本文插图
的梯度 ， 当然完全可以使用传统的方法 ， 但我们需要的是一种在量子计算机上计算的方法 。
4 全新的计算梯度的方法
我们先求损失函数对θ_i的微分：
本文插图
【|教你在经典计算机上搭建一个量子神经网络，已开源】展开最后一项：
本文插图
通过求导 ， 我们可以去掉常数项 。
本文插图
现在 ， 使用乘积法则 ， 我们可以进一步展开：
本文插图
上面这个公式读起来有一点痛苦 ， 但是通过 Hermitian 共轭 ， 可以转化为下面这个简单的公式：
本文插图
U(θ) 由多个门组成 ， 每一个门又由不同的参数控制 ， 求U的偏导数只需要求门U_i(θ_i)对θ_i的偏导数：
本文插图
我们把U_i定义为相同的形式 ， 称为G门 ， 当然形式不是唯一的 。
本文插图
定义了U_i的形式后 ， 就能找到它的导数：
本文插图
幸运的是 ， 我们可以用G门来表示导数：
本文插图
所以剩下的就是想办法构造出一个电路来得到所需的内积形式：
本文插图
Hadamard测试是最简单的方法——首先 ， 我们准备好输入的量子态 ， 并将辅助态制备为叠加态：
本文插图
现在对|ψ>应用Z_n-1B ， 约束辅助态是|1>：
本文插图
然后翻转辅助态 ， 用A做同样的操作：
本文插图
推荐阅读
- 享帮米之家|隐秘的生意 | 你在几十家网店买的东西，可能都来自同一家公司
- IBM|今年是IT巨头转向云计算的好时候吗？
- 三易生活|剥离传统IT服务，蓝色巨人要转身All in云计算
- 苹果手机,5G|iPhone 6正式退役，一代经典之作，我还是舍不得说再见
- 苹果手机|烂大街的三款4G手机，全都是高性价比，有你在用的吗？
- 苹果手机|iPhone 6正式退役，一代经典之作，我还是舍不得说再见
- 苹果手机|奇怪！为啥iPhone手机经典的“静音键”，却从没被国产手机模仿？
- IBM|百年IBM再度迎来历史性变革 拆分基础设施服务部门全力押宝云计算
- 红米手机|千元机并没有你想的那么不堪，这几款早已烂大街，有你在用的吗？
- 超级计算机|NVIDIA宣布NVIDIA DGX SuperPOD已就绪