1. 课程导入与全景认知

在经典深度学习里，我们习惯把数据一次性喂给模型，然后靠多层非线性变换去拟合复杂函数。量子机器学习沿用了这个直觉：把经典数据编码成量子态，送进参数化量子电路（PQC），测量输出，再用经典优化器调参。但这里有一个绕不开的限制——量子电路的深度是稀缺资源。当前含噪声中等规模量子（NISQ）设备上，门保真度、相干时间和串扰共同决定了我们能可靠执行的电路层数非常有限。如果只用一层编码加一层变分，模型的表达能力往往不足以刻画真实数据的复杂决策边界。

数据重上传（Data Re-uploading）正是针对这一矛盾提出的策略。它的核心思想很朴素：不要把所有数据一次性编码完，而是把同一批经典数据分多次、穿插地重新注入量子电路。典型结构是「编码层 → 变分层 → 编码层 → 变分层 → … → 测量」，每一轮都把数据特征重新写回量子态。这样做的效果，等价于在有限量子门预算下构造出关于输入的高阶非线性函数，显著提升模型的表达能力和对复杂模式的拟合能力。

上图把本课程的全景压缩成三层：最上层是数据从经典向量到量子态、再到测量输出的基本链路；中间层用并排对比说明「单次编码」与「数据重上传」在结构上的本质差异；最下层给出从原理到工程实践的学习路线。理解这张图，就抓住了后续 29 节内容的主线。

为什么数据重上传值得单独成课

从理论上看，数据重上传的价值在于用电路深度换取函数复杂度。一个只含单次编码的变分电路，其输出对输入的函数形式受限于编码方式和变分层结构；而把数据重复注入后，电路整体等价于多个编码-变分块的复合，输出可以展开成关于输入特征的高阶多项式或傅里叶级数形式。这意味着在同样的量子门数量约束下，重上传模型能表达更丰富的频率成分，对分类边界弯曲、回归曲线非线性的任务更友好。

从工程上看，它提供了一种可调节的容量旋钮。模型欠拟合时，增加重上传轮数往往比单纯加宽变分层更有效；模型过拟合或受噪声影响严重时，减少轮数、精简每轮门数又是直接的降容量手段。这种「层数即容量」的直觉，让数据重上传成为量子模型设计中少数可以像经典网络调深度一样去调的结构参数。

典型应用场景

数据重上传并不是万能钥匙，它最适合以下几类问题：其一，中小规模特征、复杂决策边界的分类任务，例如二维或低维特征的人工数据集、信用风险或故障检测中的小样本分类；其二，需要拟合非线性连续函数的回归任务，如传感器校准曲线、简单物理量预测；其三，作为量子模型表达力的基准对照，在研究不同编码方案、不同变分层结构时，重上传模型常被用作强基线。反过来，对于特征维度极高、或对电路深度极度敏感的场景，盲目堆叠重上传轮数会带来训练不稳定和噪声放大，需要谨慎评估。

学习路线与本节定位

本课程按「原理—结构—训练—应用—工程」推进。前几节会先把编码方式、参数化电路和表达力之间的关系讲透，让你明白重上传为什么能提升表达力；随后进入结构设计，讨论重上传轮数、每轮编码位置、纠缠层放置等具体选择；再往后是训练与优化，包括损失函数构造、梯度计算与收敛判断；最后落到应用案例与工程实践，覆盖噪声影响、结果评估和部署注意事项。本节作为导入，不要求你立刻动手写电路，但需要建立两个判断：第一，数据重上传解决的是「有限深度下表达力不足」这一具体矛盾；第二，它的效果依赖结构设计与训练策略的配合，不能孤立看待。

需要强调的是，数据重上传带来的表达力提升并非没有代价。每一轮重上传都意味着额外的编码门和变分门，电路深度增加会放大噪声累积和训练难度。因此后续课程中我们会反复回到一个平衡点：在给定硬件条件和任务复杂度下，选择刚好够用的重上传轮数与门结构。这也是本课程希望培养的核心工程判断力。