【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种量子迁移学习方法。
技术介绍
1、当前，在训练深度学习模型的时候，研究者们往往采用迁移学习的方式对模型的训练进行加速。由于深度学习的模型结构一般比较大，使用迁移学习能够有效地避免模型从零开始训练，进而减少模型的训练时间，并且通过在训练前在模型中导入较优的参数，能提高模型的性能。假设现在需要进行图像分类任务，在进行图像特征提取时，无需定义特征提取器，而是可以利用已训练好的backbone，如resnet、vgg等网络，在特定任务和感兴趣的数据集上仅优化最后几层，以此达到加速模型训练的目的。
2、量子计算可以利用量子神经网络来建模和训练深度学习模型。量子神经网络利用量子比特和量子门来表示和处理数据，可以更好地模拟和利用量子系统的性质，从而提高模型的性能和效率。量子神经网络在某些特定任务上已经表现出了比经典神经网络更好的性能。由于卷积神经网络在深度学习特征提取方面取得的巨大成功，再加上量子计算相对于传统计算的优势，越来越多的研究人员探索用量子电路构建量子卷积神经网络结构来替代传统的卷积神经网络结构。
技术实现思路
1、专利技术目的：本专利技术的目的是提供了一种量子迁移学习方法，利用迁移学习的思想，通过对已有模型调整，避免了从零开始训练模型，从而显著减少了训练时间。同时本专利技术结合了量子计算的优势，提高了模型的性能和效率。
2、技术方案：本专利技术所述的一种量子迁移学习方法，包括以下步骤：
3、（1）获取flowe
4、（2）构建resnet18量子迁移学习模型和resnet34量子迁移学习模型即在resnet18网络和resnet34网络中分别引入量子卷积神经网络模块；
5、（3）分别对resnet18量子迁移学习模型和resnet34量子迁移学习模型进行训练，并与原有resnet18和resnet34模型进行对比。
6、进一步的，步骤（1）具体如下：将数据的尺寸放大为256×256像素，使用中心裁剪的方式将其尺寸裁剪为224×224像素，最后进行标准化，预处理的图像尺寸为224×224×3像素，使得输入图像符合resnet网络的标准输入格式。
7、进一步的，步骤（2）具体如下：首先，删除resnet18网络和resnet34网络中最后的平均池化层，全连接层，然后在resnet18网络和resnet34网络后添加卷积层即量子卷积神经网络模块。
8、进一步的，量子卷积神经网络模块由8个结构相同的量子卷积层电路组成，用于得到通道数为8的卷积特征图；其中，量子卷积层电路6个量子逻辑门组合结构组成；将滑动窗口固定为2×2，则特征图的通道数为16。
9、进一步的，量子逻辑门公式如下：
10、；
11、其中，表示量子逻辑门，i表示单位矩阵，、分别表示两个u3门；θ7、θ8、θ9均表示控制布洛赫球上的旋转角度；cnot0表示cnot门；ry()表示ry门；rz()表示rz门；
12、由于前五个量子逻辑门组合结构的参数是相同的，因此量子卷积层电路运算矩阵表达公式如下：
13、；
14、其中，表示量子逻辑门，表示前五个量子逻辑门组合；表示第六个量子逻辑门。
15、有益效果：与现有技术相比，本专利技术具有如下显著优点：将量子计算与迁移学习相融合，使得量子迁移学习模型能够取得比经典模型更好的性能或者速度。
本文档来自技高网...【技术保护点】
1.一种量子迁移学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种量子迁移学习方法，其特征在于，步骤（1）具体如下：将数据的尺寸放大为256×256像素，使用中心裁剪的方式将其尺寸裁剪为224×224，最后进行标准化，预处理的图像尺寸为224×224×3像素，使得输入图像符合ResNet网络的标准输入格式。
3.根据权利要求1所述的一种量子迁移学习方法，其特征在于，步骤（2）具体如下：首先，删除ResNet18网络和ResNet34网络中最后的平均池化层，全连接层，然后在ResNet18网络和ResNet34网络后添加卷积层即量子卷积神经网络模块。
4.根据权利要求3所述的一种量子迁移学习方法，其特征在于，量子卷积神经网络模块由8个结构相同的量子卷积层电路组成，用于得到通道数为8的卷积特征图；其中，量子卷积层电路6个量子逻辑门组合结构组成；将滑动窗口固定为2×2，则特征图的通道数为16。
5.根据权利要求4所述的一种量子迁移学习方法，其特征在于，量子逻辑门公式如下：
【技术特征摘要】
1.一种量子迁移学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种量子迁移学习方法，其特征在于，步骤（1）具体如下：将数据的尺寸放大为256×256像素，使用中心裁剪的方式将其尺寸裁剪为224×224，最后进行标准化，预处理的图像尺寸为224×224×3像素，使得输入图像符合resnet网络的标准输入格式。
3.根据权利要求1所述的一种量子迁移学习方法，其特征在于，步骤（2）具体如下：首先，删除resnet18网络和resnet...
【专利技术属性】
技术研发人员：余文斌，陈美旺，朱健杰，任正举，魏宏宇，张成军，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。