月度归档： 2020 年 5 月

人类使用工具的过程很有意思，他们用旧的“先验”去获取新“先验”，而不是满足于完善旧的“先验”　— David 9

量子计算机和其它人类工具一样，只是帮助人们探索未见的新“先验”。因为第一期的量子计算QNN入门反响热烈，所以David打算在这里补充第二期。并回答一些前沿探索的关键性问题：

• TFQ和Cirq的关系和架构

用一句话概括，TFQ(TensorFlow Quantum)是将Cirq与TensorFlow集成在一起的框架。TensorFlow是包装ml或深度学习算法的上层框架。而Cirq就更接近量子计算机设备操作，包括各种常见门逻辑，线路(Circuits)设计，支持不同结构的量子设备(google的Xmon量子设备是网状qubits)。

本质上，TFQ模型的目的是把量子线路(Circuits)嵌入到普通深度学习(机器学习)模型中，让量子线路编码经典深度学习(机器学习)的信息(下图蓝框部分)：

即，制定一些量子线路操作，并对输入量子的量子间“去纠缠”，然后就可以编码经典世界中的信息。详细了解可以看看我们第一期内容。

• NISQ和Cluster State 是什么意思？

NISQ和Cluster State是目前量子计算领域的主流概念。

我们知道，所谓量子叠加态就是一个量子能在同一时间处于两种不同属性0和1的状态，而对于经典物理中，一个粒子只能处于一种状态，如要么左旋，要么右旋。所谓量子纠缠态，简单来说，就是满足一定条件的情况下一个量子的行为将会影响到另一个量子的状态。即其中一个量子被操作改变而发生状态变化时，比如进行量子观测时，一个量子被观测为左旋。则另一个量子其状态立即发生相应的状态变化。而两个量子之间不存在一定相同或者相反的绝对规则。因此两个被纠缠的粒子可以是状态相同，也可以是状态相反。

叠加与纠缠的普遍存在， 继续阅读量子卷积神经网络QCNN，TensorFlow Quantum(TFQ)和近期量子计算的疑问总结和例子，David 9量子计算系列#2

不存在纯粹的无监督，那些较“高明”的无监督往往需要对先验做“高明”的处理 — David 9

接着之前的自监督系列，先回顾一下david对自监督的广义概括：

自监督是在已有信息基础上，挖掘额外信息，并进一步强化和丰富已有信息的过程　— David 9

总的来说，“自监督”是有监督学习，并且是半监督的，之所以不直接叫做半监督，是因为它不是简单无监督和有监督拼凑（当然也有营销成分），它用各种“更高明的”（包含人类先验的）方式利用大量无标签的样本，自我强化和丰富已有的有标签样本模型。

这里的“更高明的”方法总结有两种：

1. 利用更复杂的（加入人类先验的）loss。david之前谈到的InfoMax模型就是典型例子。

2. 利用大量“数据增强”方法训练模型。注意这也是加入人类先验的（数据增强方法不能随意选择）。

我们今天要谈的是第二种方法。即：“数据增强式”自监督。

下面是前阵子Google两篇曝光度较高的两篇文章，都用到了这种“数据增强式”自监督：

加入David9的星球群，获得通行密码 , 阅读全文