编码方式筛选方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种编码方式筛选方法、装置、电子设备及存储介质。所述方法包括：获取选择的N种编码方式，N为大于1的正整数；基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。本申请实施例可以衡量编码方式的效果，选择最合适的方式后可提升量子机器学习的效率。式后可提升量子机器学习的效率。式后可提升量子机器学习的效率。

【技术实现步骤摘要】
编码方式筛选方法、装置、电子设备及存储介质


[0001]本申请涉及量子计算
，尤其涉及一种编码方式筛选方法、装置、电子设备及存储介质。

技术介绍

[0002]随着量子计算的深入研究，其与机器学习的结合逐步成为一个崭新的研究方向。量子机器学习在人工智能研究中是极具潜力的前沿课题，在使用量子机器学习处理图像数据时，首先要将图像数据编码到量子电路（即编码为量子态的形式），才能为量子机器学习的算法或模型作用。数据的分布可以对算法或模型的最终结果产生影响，所以对图像数据进行编码是量子机器学习首要的也是十分重要的步骤。
[0003]调研发现目前量子机器学习编码图像数据的工作具有多种方式。例如，将图像数据中的特征作为参数编码进量子旋转门中，作用到对应的量子比特上。还有各种振幅编码方式，是将特征编码到最终量子比特各个量子态对应的振幅中。
[0004]但是，在量子机器学习中使用这些编码方式存在以下的问题：编码方式种类繁多，但对于不同的数据，采用哪种编码方式可以更高效的进行后续的学习过程无法确定。目前还是直接采用常用的编码方式，这可能会由于编码后的量子态数据的分布不合理，对后续的训练过程带来更多的冗余工作，甚至影响最终的结果，降低了量子机器学习的效率。

技术实现思路

[0005]本申请实施例提供一种编码方式筛选方法、装置、电子设备及存储介质，以解决相关技术中直接采用常用的编码方式可能会对后续的训练过程带来更多的冗余工作，甚至影响最终的结果，降低了量子机器学习的效率的问题。
[0006]为了解决上述技术问题，本申请实施例是这样实现的：第一方面，本申请实施例提供了一种编码方式筛选方法，所述方法包括：获取选择的N种编码方式，N为大于1的正整数；基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。
[0007]可选地，所述基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，包括：对所述图像数据进行转换处理，得到含有n
×
m个数据的向量，其中，m和n均为正整数；基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子
态向量。
[0008]可选地，所述基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数，包括：针对每种编码方式，获取所述编码方式下各分类数据对应的分类量子态向量；基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量；基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数；基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数。
[0009]可选地，所述基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数，包括：基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径；基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径；所述分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据；基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离；基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数。
[0010]可选地，所述基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径，包括：计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离；基于所述第一余弦距离，确定各分类数据的第一分布半径。
[0011]可选地，所述基于所述第一余弦距离，确定各分类数据的第一分布半径，包括：从所述第一余弦距离中筛选出距离最大的余弦距离，以作为所述第一分布半径。
[0012]可选地，所述基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径，包括：根据所述分类补集数据对应的量子态向量，确定所述补集平均量子态向量；计算所述分类补集数据与所述补集平均量子态向量之间的第二余弦距离；基于所述第二余弦距离，确定所述分类补集数据的第二分布半径。
[0013]可选地，所述基于所述第二余弦距离，确定所述分类补集数据的第二分布半径，包括：从所述第二余弦距离中筛选出距离最大的余弦距离，以作为所述第二分布半径。
[0014]可选地，所述基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离，包括：计算各分类数据与所述补集平均量子态向量之间的第三余弦距离，以作为各分类数据与所述分类补集数据之间的分布距离。
[0015]可选地，所述基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数，包括：通过以下公式计算得到所述分布衡量系数：
[0016]上述公式中，表示分类数据的分布衡量系数，表示分布距离，表示第一分布半径，表示第二分布半径，表示类别标签。
[0017]可选地，所述基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量，包括；通过以下公式计算得到所述平均量子态向量：
[0018]上述公式中，表示平均量子态向量，表示分类量子态向量，表示类别标签。
[0019]可选地，所述基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数，包括：通过以下公式计算得到所述衡量系数：
[0020]上述公式中，表示衡量系数，表示分类数据的分布衡量系数，表示分类标签。
[0021]可选地，所述基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式，包括：根据所述N种编码方式的衡量系数，从所述N种编码方式中筛选出所述衡量系数趋近于0的编码方式，以作为所述目标编码方式。
[0022]可选地，所述获取选的N种编码方式，包括：获取量子计算领域内存在的所有编码方式，以作为所述N种编码方式；或者；显示量子计算领域内存在的所有编码方式，并获取用户从所述所有编码方式中选择的所述N种编码方式。
[0023]可选地，所述编码方式包括：基本量子编码方式、密集角编码方式和振幅编码方式中的至少两种。
[0024]第二方面，本申请实施例提供了一种编码方式筛选装置，所述装置包括：编码方式获取模块，用于获取选择的N种编码方式，N为大于1的正整数；量子态向量获取模块，用于基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；衡量系数获取模块，用于基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；
目标编码方式筛选模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种编码方式筛选方法，其特征在于，所述方法包括：获取选择的N种编码方式，N为大于1的正整数；基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，所述图像数据是指用数值表示的图像内各像素的灰度值的集合；基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数；基于所述衡量系数，从所述N种编码方式中筛选出所述图像数据对应的目标编码方式。2.根据权利要求1所述的方法，其特征在于，所述基于所述N种编码方式对图像数据进行编码，得到每种编码方式对应的量子态向量，包括：对所述图像数据进行转换处理，得到含有n
×
m个数据的向量，其中，m和n均为正整数；基于所述N种编码方式对所述向量进行编码处理，得到每种编码方式对应的量子态向量。3.根据权利要求1所述的方法，其特征在于，所述基于每种编码方式对应的量子态向量，计算得到每种编码方式对所述图像数据的衡量系数，包括：针对每种编码方式，获取所述编码方式下各分类数据对应的分类量子态向量；基于各分类数据的分类量子态向量，计算得到各分类数据对应的平均量子态向量；基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数；基于各分类数据的分布衡量系数，计算得到所述编码方式对所述图像数据的衡量系数。4.根据权利要求3所述的方法，其特征在于，所述基于各分类数据和各分类数据对应的平均量子态向量，计算得到各分类数据的分布衡量系数，包括：基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径；基于各分类数据对应的分类补集数据和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径；所述分类补集数据是指各分类数据中除单个分类数据之外的其它分类数据；基于各分类数据和所述补集平均量子态向量，确定各分类数据与所述分类补集数据之间的分布距离；基于所述第一分布半径、所述第二分布半径和所述分布距离，计算得到各分类数据的分布衡量系数。5.根据权利要求4所述的方法，其特征在于，所述基于各分类数据和各分类数据对应的平均量子态向量，确定各分类数据的第一分布半径，包括：计算各分类数据与各分类数据对应的平均量子态向量之间的第一余弦距离；基于所述第一余弦距离，确定各分类数据的第一分布半径。6.根据权利要求5所述的方法，其特征在于，所述基于所述第一余弦距离，确定各分类数据的第一分布半径，包括：从所述第一余弦距离中筛选出距离最大的余弦距离，以作为所述第一分布半径。7.根据权利要求4所述的方法，其特征在于，所述基于各分类数据对应的分类补集数据
和所述分类补集数据对应的补集平均量子态向量，确定所述分类补集数据的第二分布半径，包括：根据所述分类补集数据对应的量子态向量，确定所述补集平均量子态向量；计算所述分类补集数据与所述补集平均量子态向量之间的第二余弦距离；基于所述第二余弦距离，确定所述分类补集数据的第二分布半径。8.根据权利要求7所述的方法，其特征在于，所述基于所述第二余弦距离，确定所述分类补集数据的第二分布半径，包括：从所述第二余弦距离中筛选出距离最大的余弦距离，以作为所述第二分布半径。9.根据权利要求4所述的方法，其特征在于，所述基于各分类数据和所述补集平均量子态向量，确定各分类数据与所...

【专利技术属性】
技术研发人员：姜金哲，张新，李辰，李红珍，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：