notebook

深色模式

WARNING

🧪 Beta公测版本提示：教程主体已完成，正在优化细节，欢迎大家提Issue反馈问题或建议。

量子机器学习 — demo.py 代码详解 ​

Download demo.py

运行方式 ​

bash
cd docs/quantum/qml/code
python demo.py

默认路径不训练量子电路。必跑：同目录 dataset/*.npz 上的 16×16、数字 3 vs 6 小 CNN。可选：from lenet import train_lenet 的 28×28、0 vs 1 LeNet-5（MNIST 下载失败则跳过）。pyvqnet 未装时打印说明并返回 False（退出码仍 0）。完整量子训练是同目录 train.py / eval.py，不是本文件。图：qml_classical_baseline.png。

代码逐段详解 ​

第1步：load_npz — 与量子混合模型同一套数据 ​

python
name = 'mnist_train_1000_16_16.npz' if split == 'train' else 'mnist_test_200_16_16.npz'
x = blob['data'].astype(np.float32)
if x.max() > 1.0:
    x = x / 255.0
y = blob['label'].astype(np.int64)
  • 文件名写死：1000 张训练、200 张测试，边长 16。没有 torchvision 下载这一路。
  • max()>1 才除 255：已在 [0,1] 的数组不要再除。
  • 标签是 0/1（任务是 3 vs 6 的二分类编码），后面 CrossEntropy 要 int64。

第2步：TinyCNN — 两层池化接到 2 类 ​

python
x = F.relu(F.max_pool2d(self.conv1(x), 2))
x = F.relu(F.max_pool2d(self.conv2(x), 2))
return self.fc(x.flatten(1))
  • Conv2d(1,8,3,padding=1)：16×16 尺寸不变，再 max_pool2d(...,2) → 8×8。第二层 8→16 通道再池化 → 4×4。所以全连接是 Linear(16*4*4, 2)。
  • flatten(1)：从第 1 维起展平，留下 batch。等价 view(B,-1)。
  • 没有 Dropout、没有 BN。8 epoch、Adam 1e-3、batch 64。

unsqueeze(1)：NumPy (N,16,16) 加通道维变成 (N,1,16,16)，Conv2d 才吃得下。

第3步：train_classical 记损失与测试准确率 ​

python
logits = model(xb)
loss = F.cross_entropy(logits, yb)
loss_sum += float(loss.detach()) * len(yb)
correct += int((logits.argmax(1) == yb).sum())
  • cross_entropy：内部 Softmax + NLL。标签是类下标，不是 one-hot。
  • loss.detach() * len(yb)：把「batch 平均损失」还原成总和，epoch 结束再 / total，最后一小批大小不同时才公平。
  • argmax(1)：沿类别维。测试循环包在 eval() + no_grad()。返回 (hist, test_acc, x_te, y_te, pred) 给可视化。

这是量子混合模型的经典基线，不是「量子准确率」。

第4步：try_vqnet_smoke — 缺库就跳过 ​

python
try:
    import pyvqnet
except ImportError:
    print('未检测到 pyvqnet，跳过 VQNet 混合模型（这是预期行为）。')
    return False

装上之后才 from qml_core import QuantumImageClassifier, get_default_spec, load_test_dataset，取 8 个测试样本 QTensor(x_test[:8]) 做一次 model(xb)，打印 shape。没有 loss.backward()。os.chdir(_SCRIPT_DIR) 是为了让 qml_core 找到相对数据路径。

不要把冒烟当成训练曲线。

第5步：_tile 与 visualize ​

python
return np.concatenate(
    [np.concatenate(tiles[0:6], axis=1), np.concatenate(tiles[6:12], axis=1)],
    axis=0,
)

12 张样例：上 6 张横向拼，下 6 张再横向拼，最后纵向拼成 2×6 接触印。不足 12 张用全零垫。imshow(..., cmap='gray')。横轴文字是 '真值->预测'。

子图数：lenet_pack is None 时 2 列（损失曲线 + 16×16 样张）；LeNet 成功则 3 列，第三列是 0 vs 1 的接触印和准确率。train_lenet 定义在 lenet.py，下载失败返回 None，demo 仍保存 CNN 那两格。

TensorDataset(torch.from_numpy(x_tr).unsqueeze(1), torch.from_numpy(y_tr))：NumPy 进 Tensor 后再包数据集。DataLoader(..., shuffle=True) 每个 epoch 打乱；测试不用 Loader，整份 x_te 一次前向。

visualize 里 if n == 2: axes = list(axes)：两子图时 subplots 返回的 axes 已经是数组，转成 list 只为和三子图分支同一套 axes[i] 下标。labels[:6] / [6:] 两行 xlabel，对应接触印上下两排。

入口顺序：train_classical → train_lenet → visualize → try_vqnet_smoke。种子 torch.manual_seed(42) 与 np.random.seed(42) 都设了；CNN 可复现，LeNet 若走下载路径还依赖 torchvision 打乱。

关键概念速查表 ​

概念直觉代码
同任务数据16×16，3 vs 6load_npz / dataset/*.npz
TinyCNN两层 conv+pool → 2 类Linear(16*4*4, 2)
unsqueeze(1)加通道Conv2d 输入
交叉熵分类F.cross_entropy
LeNet 对照28×28，0 vs 1train_lenet()（可跳过）
VQNet可选依赖try_vqnet_smoke
_tile2×6 接触印concatenate
量子训练不在 demo 主路径train.py / eval.py

源码位置 ​

clone 后打开（相对仓库根目录）：

docs/quantum/qml/code/demo.py