VIP20

本课程属于：026-量子机器学习与数据应用 量子科技与量子信息工程 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

量子神经网络QNN建模与训练

共计 30 章节

可可资料掘金营 · 点击在线试看

课程导入与QNN全景

介绍量子神经网络的定义 · 发展脉络 · 与经典神经网络的本质差异

QNN课程导入

量子计算基础速览

回顾量子比特 · 叠加 · 纠缠

量子计算基础速览回顾量子比特

经典神经网络回顾与量子化动机

梳理前馈网络 · 反向传播与梯度下降的关键机制 · 分析将神经网络量子化的动机

经典神经网络回顾量子化动机

QNN的数学表示与线路映射

学习如何将神经元 · 权重和激活函数映射为量子门与参数化量… · 建立QNN的线路级数学模型

QNN的数学表示

参数化量子线路（PQC）作为QNN基本单元

深入理解PQC的构造 · 表达能力与纠缠结构 · 掌握其作为QNN可训练核心组件的设计…

数据编码策略与量子特征映射

对比角度编码 · 振幅编码 · 基编码等数据嵌入方式

数据编码策略量子特征映射

QNN前向传播的线路实现

从输入编码到测量输出 · 逐步构建QNN前向传播的完整线路流程 · 并讨论测量方式对输出解释的影响

QNN前向传播的线路实…

QNN输出层设计与损失函数构造

针对分类与回归任务设计测量算符与输出… · 构造适用于量子线路训练的损失函数

QNN输出层设计

量子梯度计算原理

介绍参数移位规则等量子梯度解析方法 · 理解量子线路梯度的可计算性与经典自动…

量子梯度计算原理介绍参数移位规则…

QNN训练中的优化器与更新策略

分析梯度下降 · Adam等优化器在QNN训练中的适用… · 讨论学习率

barren plateau 问题诊断与缓解

剖析贫瘠高原现象的成因与影响 · 掌握梯度尺度分析 · 初始化与线路结构设计等缓解手段

QNN表达能力与纠缠结构分析

研究纠缠度 · 线路深度与表达能力的关系 · 学习如何评估和调控QNN的假设空间

QNN表达能力

量子卷积神经网络（QCNN）建模

从卷积与池化的量子对应出发 · 构建QCNN线路结构 · 并分析其在图像类任务中的建模特点

QCNN量子卷积神经网络

量子循环神经网络（QRNN）建模

探讨循环结构的量子实现方式 · 设计具有记忆能力的量子线路 · 并分析其训练难点

QRNN量子循环神经网络

量子生成模型与量子GAN初步

介绍量子生成对抗网络与量子自编码器的… · 理解生成式QNN的训练目标与线路设计

GAN量子生成模型

基于模拟器的QNN训练实战

使用量子模拟器搭建一个完整QNN训练… · 完成数据编码 · 前向传播

QNN基于模拟器的

小规模真实量子设备上的QNN部署

将训练好的QNN部署到真实量子硬件 · 处理噪声 · 测量误差与线路编译等工程问题

QNN小规模真实量子设…

噪声环境下的QNN鲁棒训练

分析量子噪声对QNN训练的影响 · 学习噪声感知训练 · 误差缓解与鲁棒性评估方法

QNN噪声环境下的

QNN训练中的梯度消失与爆炸应对

系统识别训练不稳定的信号 · 设计梯度裁剪 · 参数正则与线路重参数化等应对策略

量子-经典混合训练架构设计

构建量子线路与经典优化器协同的混合训… · 讨论前向与反向传播在混合架构中的分工

量子经典混合训练架构…

QNN的批量训练与数据加载优化

针对量子线路的批处理限制 · 设计高效的数据加载 · 线路复用与并行训练方案

QNN的批量训练

QNN超参数搜索与线路架构选择

建立超参数搜索空间 · 结合线路深度 · 纠缠模式与测量策略进行架构选择与调优

QNN超参数搜索

QNN训练收敛性分析与监控

定义收敛指标与训练曲线监控方法 · 分析学习动态并诊断训练停滞或震荡的原…

QNN训练收敛性分析

QNN正则化与泛化能力提升

探讨量子线路中的正则化手段 · 分析过拟合现象与提升泛化能力的线路设…

迁移学习与预训练QNN

研究预训练参数化量子线路的迁移方法 · 设计面向新任务的微调策略与线路适配方…

QNN迁移学习

QNN模型压缩与线路简化

学习线路剪枝 · 门合并与参数共享等压缩技术 · 在保持性能的同时降低量子资源需求

QNN模型压缩

QNN训练的可解释性分析

介绍量子线路决策过程的可视化与归因方… · 分析测量结果与输入特征之间的关联

QNN训练的可解释性分…

QNN在分类任务中的端到端实战

以真实分类数据集为例 · 完成从数据预处理 · QNN建模

QNN分类任务

QNN在回归与时间序列任务中的实战

针对回归或时序预测任务设计QNN线路… · 处理连续输出与序列依赖问题

QNN建模与训练项目综合汇报

整合课程所学 · 完成一个完整QNN项目的设计 · 训练