教你在经典计算机上搭建一个量子神经网络，已开源( 五 )

本文插图
一旦我们有了梯度，就可以使用梯度下降来更新网络参数， “动量”技巧可以帮助加快训练时间：

本文插图
现在我们可以建立自己的损失函数和准确率函数，然后就可以观察网络训练的情况：

本文插图
最后，我们创建训练网络的函数，并调用它：

本文插图

本文插图

本文插图
我们传递给np.random.sample方法的数字决定了参数集的大小——第一个数字(5)是G层的数量。
这是我在测试5层网络、15次迭代后得到的数据输出：

本文插图
这些数据看起来是相当不错——我们在验证集上达到了100%的准确率，这意味着网络成功地覆盖了边缘测试示例！
6 结语
我们成功建立了量子神经网络，太棒了！可以使用几种方法来进一步降低损失，例如训练网络进行更多的迭代，或者调整超参数：如批量大小和学习率。另一个很酷的方法是为U(θ)尝试选择不同的门。
原文链接：https://towardsdatascience.com/quantum-machine-learning-learning-on-neural-networks-fdc03681aed3
[博文视点赠书福利]
AI科技评论联合博文视点赠送周志华教授“森林树”十五本，在“周志华教授与他的森林书”一文留言区留言，谈一谈你和集成学习有关的学习、竞赛等经历。
AI 科技评论将会在留言区选出15名读者，每人送出《集成学习：基础与算法》一本。
活动规则：
1. 在“周志华教授与他的森林书”一文留言区留言，留言点赞最高的前 15 位读者将获得赠书。获得赠书的读者请联系 AI 科技评论客服（aitechreview）。
2. 留言内容会有筛选，例如“选我上去”等内容将不会被筛选，亦不会中奖。
3. 本活动时间为2020年8月23日 - 2020年8月30日（23:00），活动推送内仅允许中奖一次。