中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
量子機(jī)器學(xué)習(xí)理論與實(shí)戰(zhàn) 版權(quán)信息
- ISBN：9787115636676
- 條形碼：9787115636676 ; 978-7-115-63667-6
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
量子機(jī)器學(xué)習(xí)理論與實(shí)戰(zhàn) 本書特色
1. 量子機(jī)器學(xué)習(xí)是重要技術(shù)潮流，本書為目前少有的系統(tǒng)介紹該領(lǐng)域的讀本。
2. 作者可靠：國內(nèi)先投身量子計算研究、孵化出中國大量子計算企業(yè)的團(tuán)隊。
3. 本書為實(shí)用導(dǎo)向，分享一手經(jīng)驗(yàn)，提供算法及豐富案例，幫助讀者從理論走向?qū)嶋H應(yīng)用。
量子機(jī)器學(xué)習(xí)理論與實(shí)戰(zhàn) 內(nèi)容簡介
本書主要介紹量子機(jī)器學(xué)習(xí)的背景知識、基礎(chǔ)概念，以及一些重要的量子機(jī)器學(xué)習(xí)算法的基本原理與實(shí)現(xiàn)。本書共9 章，主要內(nèi)容包括量子機(jī)器學(xué)習(xí)背景知識、量子計算基礎(chǔ)、量子機(jī)器學(xué)習(xí)框架VQNet、支持向量機(jī)、聚類、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)，以及自然語言處理。 本書既可作為高等院校量子機(jī)器學(xué)習(xí)相關(guān)專業(yè)研究生、教師及科研人員的教材或參考書，也可作為量子機(jī)器學(xué)習(xí)愛好者的自學(xué)用書。
量子機(jī)器學(xué)習(xí)理論與實(shí)戰(zhàn) 目錄
目錄
第 1 章 背景知識 1
1.1 什么是量子計算 1
1.1.1 量子計算和經(jīng)典計算的基本差異 1
1.1.2 量子計算的基本概念 2
1.1.3 量子計算的發(fā)展 3
1.2 什么是量子機(jī)器學(xué)習(xí) 6
1.2.1 機(jī)器學(xué)習(xí)的基本概念 6
1.2.2 量子機(jī)器學(xué)習(xí)的基本概念 7
1.2.3 量子機(jī)器學(xué)習(xí)的應(yīng)用前景 8
1.3 量子機(jī)器學(xué)習(xí)的發(fā)展歷程與趨勢 9
1.3.1 量子機(jī)器學(xué)習(xí)的發(fā)展歷史 9
1.3.2 量子機(jī)器學(xué)習(xí)的研究現(xiàn)狀 10
1.3.3 量子機(jī)器學(xué)習(xí)的未來發(fā)展 11
第 2 章 量子計算基礎(chǔ) 12
2.1 量子比特與量子態(tài) 12
2.1.1 量子比特的基本概念 12
2.1.2 量子疊加態(tài) 14
2.2 量子計算的特性 14
2.2.1 量子并行計算 15
2.2.2 量子糾纏特性 15
2.3 量子邏輯門 16
2.3.1 量子邏輯門的基本概念 16
2.3.2 常用的單量子比特邏輯門 19
2.4 量子測量 26
2.4.1 量子測量的基本概念 27
2.4.2 量子測量的實(shí)現(xiàn) 28
2.5 量子算法 29
2.5.1 多伊奇-約薩算法 30
2.5.2 格羅弗算法 31
2.5.3 舒爾算法 32
2.5.4 HHL 算法 33
第3 章 量子機(jī)器學(xué)習(xí)框架VQNet 34
3.1 VQNet 與量子機(jī)器學(xué)習(xí) 34
3.1.1 量子機(jī)器學(xué)習(xí)框架 34
3.1.2 量子機(jī)器學(xué)習(xí)框架與經(jīng)典機(jī)器學(xué)習(xí)框架的區(qū)別及聯(lián)系 34
3.1.3 VQNet 的組成 35
3.2 VQNet 的模型與優(yōu)化 36
3.2.1 經(jīng)典梯度與量子梯度 36
3.2.2 自動微分 39
3.2.3 模型訓(xùn)練 41
3.2.4 模型優(yōu)化 42
3.3 VQNet 的基本數(shù)據(jù)結(jié)構(gòu) 44
3.3.1 Tensor 與QTensor 44
3.3.2 QTensor 函數(shù)與屬性 45
3.3.3 創(chuàng)建函數(shù) 45
3.3.4 數(shù)字函數(shù) 46
3.3.5 邏輯函數(shù) 49
3.3.6 矩陣操作 49
3.3.7 實(shí)用函數(shù) 50
3.4 VQNet 的經(jīng)典模塊 51
3.4.1 Module 類與經(jīng)典網(wǎng)絡(luò)層 52
3.4.2 損失函數(shù) 55
3.4.3 激活函數(shù) 56
3.4.4 優(yōu)化算法 56
3.5 VQNet 的量子模塊 58
3.5.1 量子計算層 58
3.5.2 量子邏輯層 61
3.5.3 量子線路組合 63
3.5.4 量子測量 64
3.5.5 量子算法模塊 65
3.6 小結(jié) 70
第4 章 支持向量機(jī) 71
4.1 經(jīng)典支持向量機(jī) 71
4.1.1 SVM 的基本原理 71
4.1.2 SVM 的優(yōu)化目標(biāo)與約束條件 73
4.1.3 SVM 在分類和回歸問題中的應(yīng)用 75
4.1.4 SVM 的優(yōu)缺點(diǎn)與改進(jìn)方法 77
4.2 量子支持向量機(jī) 78
4.2.1 QSVM 的基本原理 78
4.2.2 量子核方法 79
4.2.3 QSVM 的優(yōu)化目標(biāo)與約束條件 80
4.3 量子支持向量機(jī)的具體實(shí)現(xiàn) 81
4.3.1 QSVM 的實(shí)現(xiàn)方法與流程 81
4.3.2 量子算法的復(fù)雜度與誤差控制 82
4.3.3 QSVM 的訓(xùn)練過程與預(yù)測過程 83
4.3.4 QSVM 在VQNet 中的實(shí)現(xiàn) 84
4.3.5 QSVM 的數(shù)據(jù)分類應(yīng)用 88
4.4 小結(jié) 90
第5 章 聚類 92
5.1 經(jīng)典聚類 92
5.1.1 聚類的概念與基本原理 92
5.1.2 常用的聚類算法 93
5.1.3 性能度量和距離計算 95
5.1.4 聚類算法的優(yōu)缺點(diǎn)與改進(jìn)方法 97
5.2 量子聚類 98
5.2.1 量子聚類的基本原理 98
5.2.2 常用的量子聚類算法 99
5.2.3 基于相似度的量子聚類算法 99
5.3 量子聚類在VQNet 中的實(shí)現(xiàn) 100
5.3.1 量子K-Means 算法流程 101
5.3.2 量子K-Means 算法相似度計算 101
5.3.3 基于VQNet 的量子K-Means 算法 102
5.3.4 量子K-Means 算法在鳶尾花聚類問題中的應(yīng)用 103
5.4 小結(jié) 107
第6 章 卷積神經(jīng)網(wǎng)絡(luò) 108
6.1 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò) 108
6.1.1 CNN 的基本原理 108
6.1.2 卷積運(yùn)算與池化運(yùn)算 109
6.2 量子卷積神經(jīng)網(wǎng)絡(luò) 111
6.2.1 QCNN 的基本原理 111
6.2.2 QCNN 的線路設(shè)計和優(yōu)化 112
6.3 量子卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用 114
6.3.1 CNN 的圖像識別過程 115
6.3.2 QCNN 圖像編碼 115
6.3.3 QCNN 圖像特征提取 117
6.3.4 QCNN 手寫數(shù)字識別 118
6.4 小結(jié) 124
第7 章 循環(huán)神經(jīng)網(wǎng)絡(luò) 125
7.1 經(jīng)典循環(huán)神經(jīng)網(wǎng)絡(luò) 125
7.1.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限性 125
7.1.2 RNN 的基本原理 125
7.1.3 RNN 的應(yīng)用領(lǐng)域 126
7.1.4 RNN 的梯度消失與梯度爆炸問題 127
7.2 長短時記憶網(wǎng)絡(luò) 127
7.2.1 LSTM 網(wǎng)絡(luò)的基本原理 128
7.2.2 LSTM 網(wǎng)絡(luò)的應(yīng)用領(lǐng)域 129
7.3 量子循環(huán)神經(jīng)網(wǎng)絡(luò) 130
7.3.1 QRNN 的基本原理 130
7.3.2 QRNN 的量子線路設(shè)計 133
7.3.3 QRNN 的應(yīng)用領(lǐng)域 134
7.4 量子長短時記憶網(wǎng)絡(luò) 135
7.4.1 QLSTM 網(wǎng)絡(luò)的基本原理 135
7.4.2 QLSTM 網(wǎng)絡(luò)的量子線路設(shè)計 137
7.4.3 QLSTM 網(wǎng)絡(luò)的應(yīng)用領(lǐng)域 137
7.5 量子循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用 138
7.5.1 文本分類的基本問題 139
7.5.2 基于QRNN 的文本分類方法 139
7.5.3 基于QLSTM 網(wǎng)絡(luò)的文本分類方法 140
7.6 小結(jié) 141
第8 章 生成對抗網(wǎng)絡(luò) 142
8.1 經(jīng)典生成對抗網(wǎng)絡(luò) 142
8.1.1 GAN 的基本原理 142
8.1.2 GAN 的基本構(gòu)成 143
8.1.3 GAN 的優(yōu)缺點(diǎn) 143
8.1.4 GAN 的應(yīng)用領(lǐng)域 144
8.2 量子生成對抗網(wǎng)絡(luò) 146
8.2.1 QGAN 的基本原理 146
8.2.2 QGAN 的基本構(gòu)成 147
8.2.3 QGAN 的優(yōu)缺點(diǎn) 148
8.3 量子生成對抗網(wǎng)絡(luò)的應(yīng)用 148
8.3.1 QGAN 的量子態(tài)生成線路設(shè)計 149
8.3.2 QGAN 的生成指標(biāo)與實(shí)驗(yàn) 150
8.3.3 QGAN 的應(yīng)用前景與挑戰(zhàn) 151
8.4 小結(jié) 153
第9 章 自然語言處理 154
9.1 經(jīng)典自然語言處理 154
9.1.1 NLP 的基本原理 154
9.1.2 自然語言處理的基本流程 155
9.1.3 文本分類 155
9.2 量子自然語言處理 158
9.2.1 QNLP 的基本原理 158
9.2.2 QNLP 的發(fā)展歷程 159
9.3 語法感知QNLP 161
9.3.1 語法感知的基本原理 161
9.3.2 語法感知QNLP 的應(yīng)用領(lǐng)域 161
9.3.3 語法感知QNLP 的具體實(shí)現(xiàn)與實(shí)驗(yàn) 162
9.4 量子Transformer 163
9.4.1 Transformer 的基本原理 163
9.4.2 Transformer 的應(yīng)用領(lǐng)域 165
9.4.3 QTransformer 的量子線路設(shè)計 166
9.5 量子情感分析的應(yīng)用 166
9.5.1 經(jīng)典情感分析 166
9.5.2 量子情感分析的基本原理 167
9.5.3 基于語法感知QNLP 的情感分析應(yīng)用 168
9.5.4 基于QTransformer 的情感分析應(yīng)用 168
9.6 小結(jié) 171
主要術(shù)語對照表 172
參考文獻(xiàn) 175
第 1 章 背景知識 1
1.1 什么是量子計算 1
1.1.1 量子計算和經(jīng)典計算的基本差異 1
1.1.2 量子計算的基本概念 2
1.1.3 量子計算的發(fā)展 3
1.2 什么是量子機(jī)器學(xué)習(xí) 6
1.2.1 機(jī)器學(xué)習(xí)的基本概念 6
1.2.2 量子機(jī)器學(xué)習(xí)的基本概念 7
1.2.3 量子機(jī)器學(xué)習(xí)的應(yīng)用前景 8
1.3 量子機(jī)器學(xué)習(xí)的發(fā)展歷程與趨勢 9
1.3.1 量子機(jī)器學(xué)習(xí)的發(fā)展歷史 9
1.3.2 量子機(jī)器學(xué)習(xí)的研究現(xiàn)狀 10
1.3.3 量子機(jī)器學(xué)習(xí)的未來發(fā)展 11
第 2 章 量子計算基礎(chǔ) 12
2.1 量子比特與量子態(tài) 12
2.1.1 量子比特的基本概念 12
2.1.2 量子疊加態(tài) 14
2.2 量子計算的特性 14
2.2.1 量子并行計算 15
2.2.2 量子糾纏特性 15
2.3 量子邏輯門 16
2.3.1 量子邏輯門的基本概念 16
2.3.2 常用的單量子比特邏輯門 19
2.4 量子測量 26
2.4.1 量子測量的基本概念 27
2.4.2 量子測量的實(shí)現(xiàn) 28
2.5 量子算法 29
2.5.1 多伊奇-約薩算法 30
2.5.2 格羅弗算法 31
2.5.3 舒爾算法 32
2.5.4 HHL 算法 33
第3 章 量子機(jī)器學(xué)習(xí)框架VQNet 34
3.1 VQNet 與量子機(jī)器學(xué)習(xí) 34
3.1.1 量子機(jī)器學(xué)習(xí)框架 34
3.1.2 量子機(jī)器學(xué)習(xí)框架與經(jīng)典機(jī)器學(xué)習(xí)框架的區(qū)別及聯(lián)系 34
3.1.3 VQNet 的組成 35
3.2 VQNet 的模型與優(yōu)化 36
3.2.1 經(jīng)典梯度與量子梯度 36
3.2.2 自動微分 39
3.2.3 模型訓(xùn)練 41
3.2.4 模型優(yōu)化 42
3.3 VQNet 的基本數(shù)據(jù)結(jié)構(gòu) 44
3.3.1 Tensor 與QTensor 44
3.3.2 QTensor 函數(shù)與屬性 45
3.3.3 創(chuàng)建函數(shù) 45
3.3.4 數(shù)字函數(shù) 46
3.3.5 邏輯函數(shù) 49
3.3.6 矩陣操作 49
3.3.7 實(shí)用函數(shù) 50
3.4 VQNet 的經(jīng)典模塊 51
3.4.1 Module 類與經(jīng)典網(wǎng)絡(luò)層 52
3.4.2 損失函數(shù) 55
3.4.3 激活函數(shù) 56
3.4.4 優(yōu)化算法 56
3.5 VQNet 的量子模塊 58
3.5.1 量子計算層 58
3.5.2 量子邏輯層 61
3.5.3 量子線路組合 63
3.5.4 量子測量 64
3.5.5 量子算法模塊 65
3.6 小結(jié) 70
第4 章 支持向量機(jī) 71
4.1 經(jīng)典支持向量機(jī) 71
4.1.1 SVM 的基本原理 71
4.1.2 SVM 的優(yōu)化目標(biāo)與約束條件 73
4.1.3 SVM 在分類和回歸問題中的應(yīng)用 75
4.1.4 SVM 的優(yōu)缺點(diǎn)與改進(jìn)方法 77
4.2 量子支持向量機(jī) 78
4.2.1 QSVM 的基本原理 78
4.2.2 量子核方法 79
4.2.3 QSVM 的優(yōu)化目標(biāo)與約束條件 80
4.3 量子支持向量機(jī)的具體實(shí)現(xiàn) 81
4.3.1 QSVM 的實(shí)現(xiàn)方法與流程 81
4.3.2 量子算法的復(fù)雜度與誤差控制 82
4.3.3 QSVM 的訓(xùn)練過程與預(yù)測過程 83
4.3.4 QSVM 在VQNet 中的實(shí)現(xiàn) 84
4.3.5 QSVM 的數(shù)據(jù)分類應(yīng)用 88
4.4 小結(jié) 90
第5 章 聚類 92
5.1 經(jīng)典聚類 92
5.1.1 聚類的概念與基本原理 92
5.1.2 常用的聚類算法 93
5.1.3 性能度量和距離計算 95
5.1.4 聚類算法的優(yōu)缺點(diǎn)與改進(jìn)方法 97
5.2 量子聚類 98
5.2.1 量子聚類的基本原理 98
5.2.2 常用的量子聚類算法 99
5.2.3 基于相似度的量子聚類算法 99
5.3 量子聚類在VQNet 中的實(shí)現(xiàn) 100
5.3.1 量子K-Means 算法流程 101
5.3.2 量子K-Means 算法相似度計算 101
5.3.3 基于VQNet 的量子K-Means 算法 102
5.3.4 量子K-Means 算法在鳶尾花聚類問題中的應(yīng)用 103
5.4 小結(jié) 107
第6 章 卷積神經(jīng)網(wǎng)絡(luò) 108
6.1 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò) 108
6.1.1 CNN 的基本原理 108
6.1.2 卷積運(yùn)算與池化運(yùn)算 109
6.2 量子卷積神經(jīng)網(wǎng)絡(luò) 111
6.2.1 QCNN 的基本原理 111
6.2.2 QCNN 的線路設(shè)計和優(yōu)化 112
6.3 量子卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用 114
6.3.1 CNN 的圖像識別過程 115
6.3.2 QCNN 圖像編碼 115
6.3.3 QCNN 圖像特征提取 117
6.3.4 QCNN 手寫數(shù)字識別 118
6.4 小結(jié) 124
第7 章 循環(huán)神經(jīng)網(wǎng)絡(luò) 125
7.1 經(jīng)典循環(huán)神經(jīng)網(wǎng)絡(luò) 125
7.1.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限性 125
7.1.2 RNN 的基本原理 125
7.1.3 RNN 的應(yīng)用領(lǐng)域 126
7.1.4 RNN 的梯度消失與梯度爆炸問題 127
7.2 長短時記憶網(wǎng)絡(luò) 127
7.2.1 LSTM 網(wǎng)絡(luò)的基本原理 128
7.2.2 LSTM 網(wǎng)絡(luò)的應(yīng)用領(lǐng)域 129
7.3 量子循環(huán)神經(jīng)網(wǎng)絡(luò) 130
7.3.1 QRNN 的基本原理 130
7.3.2 QRNN 的量子線路設(shè)計 133
7.3.3 QRNN 的應(yīng)用領(lǐng)域 134
7.4 量子長短時記憶網(wǎng)絡(luò) 135
7.4.1 QLSTM 網(wǎng)絡(luò)的基本原理 135
7.4.2 QLSTM 網(wǎng)絡(luò)的量子線路設(shè)計 137
7.4.3 QLSTM 網(wǎng)絡(luò)的應(yīng)用領(lǐng)域 137
7.5 量子循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用 138
7.5.1 文本分類的基本問題 139
7.5.2 基于QRNN 的文本分類方法 139
7.5.3 基于QLSTM 網(wǎng)絡(luò)的文本分類方法 140
7.6 小結(jié) 141
第8 章 生成對抗網(wǎng)絡(luò) 142
8.1 經(jīng)典生成對抗網(wǎng)絡(luò) 142
8.1.1 GAN 的基本原理 142
8.1.2 GAN 的基本構(gòu)成 143
8.1.3 GAN 的優(yōu)缺點(diǎn) 143
8.1.4 GAN 的應(yīng)用領(lǐng)域 144
8.2 量子生成對抗網(wǎng)絡(luò) 146
8.2.1 QGAN 的基本原理 146
8.2.2 QGAN 的基本構(gòu)成 147
8.2.3 QGAN 的優(yōu)缺點(diǎn) 148
8.3 量子生成對抗網(wǎng)絡(luò)的應(yīng)用 148
8.3.1 QGAN 的量子態(tài)生成線路設(shè)計 149
8.3.2 QGAN 的生成指標(biāo)與實(shí)驗(yàn) 150
8.3.3 QGAN 的應(yīng)用前景與挑戰(zhàn) 151
8.4 小結(jié) 153
第9 章 自然語言處理 154
9.1 經(jīng)典自然語言處理 154
9.1.1 NLP 的基本原理 154
9.1.2 自然語言處理的基本流程 155
9.1.3 文本分類 155
9.2 量子自然語言處理 158
9.2.1 QNLP 的基本原理 158
9.2.2 QNLP 的發(fā)展歷程 159
9.3 語法感知QNLP 161
9.3.1 語法感知的基本原理 161
9.3.2 語法感知QNLP 的應(yīng)用領(lǐng)域 161
9.3.3 語法感知QNLP 的具體實(shí)現(xiàn)與實(shí)驗(yàn) 162
9.4 量子Transformer 163
9.4.1 Transformer 的基本原理 163
9.4.2 Transformer 的應(yīng)用領(lǐng)域 165
9.4.3 QTransformer 的量子線路設(shè)計 166
9.5 量子情感分析的應(yīng)用 166
9.5.1 經(jīng)典情感分析 166
9.5.2 量子情感分析的基本原理 167
9.5.3 基于語法感知QNLP 的情感分析應(yīng)用 168
9.5.4 基于QTransformer 的情感分析應(yīng)用 168
9.6 小結(jié) 171
主要術(shù)語對照表 172
參考文獻(xiàn) 175
展開全部
量子機(jī)器學(xué)習(xí)理論與實(shí)戰(zhàn) 作者簡介
郭國平，第十四屆全國人大代表，民革第十四屆中央委員會委員，中國科學(xué)院量子信息重點(diǎn)實(shí)驗(yàn)室副主任，中國科學(xué)技術(shù)大學(xué)講席教授，中國計算機(jī)學(xué)會（CCF）量子計算專業(yè)委員會秘書長，安徽省量子計算工程研究中心主任，量子計算芯片安徽省重點(diǎn)實(shí)驗(yàn)室主任，本源量子首席科學(xué)家、創(chuàng)始人。中國自主超導(dǎo)量子計算機(jī)研制團(tuán)隊負(fù)責(zé)人。 方圓，中國科學(xué)技術(shù)大學(xué)碩士畢業(yè)，2018年起在本源量子從事量子基礎(chǔ)軟件開發(fā)及研究工作，主要負(fù)責(zé)量子編程框架、量子操作系統(tǒng)、量子機(jī)器學(xué)習(xí)等方向的研究和實(shí)現(xiàn)，開發(fā)經(jīng)驗(yàn)豐富，已發(fā)表數(shù)篇文章，有20多項(xiàng)相關(guān)領(lǐng)域?qū)＠@授權(quán)。 李蕾，碩士，在本源量子擔(dān)任量子機(jī)器學(xué)習(xí)工程師，主要負(fù)責(zé)量子機(jī)器學(xué)習(xí)框架開發(fā)和算法研究，涉及量子圖像和量子自然語言處理等領(lǐng)域，發(fā)表相關(guān)論文2篇，在相關(guān)領(lǐng)域持有專利并取得軟件著作權(quán)。
書友推薦
- >
中國歷史的瞬間
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
史學(xué)評論
- >
我從未如此眷戀人間
- >
煙與鏡
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
山海經(jīng)
本類暢銷
