CN115761384B - 一种图像分类方法、装置、电子设备和存储介质 - Google Patents
一种图像分类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115761384B CN115761384B CN202310029795.8A CN202310029795A CN115761384B CN 115761384 B CN115761384 B CN 115761384B CN 202310029795 A CN202310029795 A CN 202310029795A CN 115761384 B CN115761384 B CN 115761384B
- Authority
- CN
- China
- Prior art keywords
- quantum
- bit
- state
- image
- gate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000002096 quantum dot Substances 0.000 claims abstract description 209
- 239000013598 vector Substances 0.000 claims abstract description 142
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明实施例提供了一种图像分类方法、装置、电子设备和存储介质,涉及计算机技术领域,包括:获取由待分类图像的像素值组成的数据向量;根据数据向量的元素数量,确定用于编码待分类图像的量子比特的数量,将量子比特表征的量子态与数据向量的元素进行一一对应;从量子比特表征的量子态中确定目标量子态;根据目标量子态中各位量子态状态,构建量子线路;将量子线路接入量子神经网络分类模型电路进行量子计算,得到量子神经网络分类模型电路输出的待分类图像类别,从而在量子比特数目较少时,基于量子比特叠加态的特性进行图像分类,避免采用一个量子比特编码一个像素信息方式,导致需求量子比特数量较多,难以进行更大规模图像的分类的问题。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种图像分类方法、一种图像分类装置、一种电子设备和一种计算机可读存储介质。
背景技术
随着量子计算研究的深入,量子计算在机器视觉领域中的应用也受到更多关注。量子机器学习在机器视觉领域的应用,是人工智能研究中的极具潜力的前沿课题,同时也是未来人工智能发展的新热点,其中,最为重要的一个应用方向就是图像的分类。
在量子计算中进行图像的分类时,通常采用一个量子比特编码一个像素信息的方式,或者采用振幅编码的方式,将图像信息编码到量子比特上。然而,采用一个量子比特编码一个像素信息的方式时,随着图像规模的增大,需求的量子比特数量也会增多,对目前的量子硬件要求极高,从而难以在量子计算中进行规模更大的图像的分类;采用振幅编码的方式时,需要较为复杂的量子电路进行编码,实现过程要求高,不利于快速部署和应用。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像分类方法、一种图像分类装置、一种电子设备和一种计算机可读存储介质。
为了解决上述问题,本发明实施例公开了一种图像分类方法,所述方法包括:
获取由待分类图像的像素值组成的数据向量;
根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,并将所述量子比特表征的量子态与所述数据向量的元素进行一一对应;
从所述量子比特表征的量子态中确定目标量子态;
根据所述目标量子态中的各位量子态状态,构建量子线路;
将所述量子线路接入量子神经网络分类模型电路进行量子计算,得到所述量子神经网络分类模型电路输出的所述待分类图像的类别。
可选地,所述获取由待分类图像的像素值组成的数据向量,包括:
获取待分类图像的像素矩阵,所述像素矩阵包括所述待分类图像中各个像素点的像素值;
根据所述像素值,确定所述待分类图像对应的数据向量。
可选地,所述根据所述像素值,确定所述待分类图像对应的数据向量,包括:
根据所述像素值,对所述待分类图像进行二值化处理,得到二值化数据矩阵;所述二值化数据矩阵包括所述像素值对应的元素;
根据所述二值化数据矩阵,得到所述待分类图像对应的数据向量。
可选地,所述根据所述像素值,对所述待分类图像进行二值化处理,得到二值化数据矩阵,包括:
判断所述像素值是否不小于预设像素阈值;
若所述像素值不小于预设像素阈值,则将所述像素值对应的元素设置为1;
若所述像素值小于预设像素阈值,则将所述像素值对应的元素设置为0。
可选地,所述根据所述二值化数据矩阵,得到所述待分类图像对应的数据向量,包括:
按照矩阵行的顺序,依次选取所述二值化数据矩阵中的元素,得到所述待分类图像对应的数据向量。
可选地,所述根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,包括:
获取各个数量的量子比特表征的量子态数量;
根据所述数据向量的元素数量和所述量子态数量,确定用于编码所述待分类图像的量子比特的目标数量。
可选地,所述根据所述数据向量的元素数量和所述量子态数量,确定用于编码所述待分类图像的量子比特的目标数量,包括:
根据所述各个数量的量子比特表征的量子态数量,依次划分各个数量的量子比特表征的量子态数量之间的数量范围;
根据包含所述数据向量的元素数量的数量范围,确定用于编码所述待分类图像的量子比特的目标数量。
可选地,所述根据包含所述数据向量的元素数量的数量范围,确定用于编码所述待分类图像的量子比特的目标数量,包括:
当所述数据向量的元素数量,处于第一数量的量子比特表征的量子态数量与第二数量的量子比特表征的量子态数量构成的数据范围内时,将第二数量作为量子比特的目标数量;其中,所述第二数量大于第一数量。
可选地,所述数据向量的元素包括0和1,所述从所述量子比特表征的量子态中确定目标量子态,包括:
若所述数据向量的元素为0,则舍去所述数据向量的元素对应的量子态;
若所述数据向量的元素为1,则保留所述数据向量的元素对应的量子态,得到目标量子态。
可选地,所述根据所述目标量子态中的各位量子态状态,构建量子线路,包括:
根据所述目标量子态中的各位量子态状态,对各位量子比特添加量子门,以构建量子线路。
可选地,所述根据所述目标量子态中的各位量子态状态,对各位量子比特添加量子门,包括:
根据所述目标量子态中的各位量子态状态,按照从第一位量子比特到最后一位量子比特的顺序,依次对各位量子比特添加量子门。
可选地,所述根据所述目标量子态中的各位量子态状态,按照从第一位量子比特到最后一位量子比特的顺序,依次对各位量子比特添加量子门,包括:
针对第一位量子比特,根据所述目标量子态中的第一位量子态状态,对所述第一位量子比特添加量子门;
针对第二位量子比特,根据所述目标量子态中的第二位量子态状态,对所述第二位量子比特添加量子门;
针对第三位量子比特,根据所述目标量子态中的第三位量子态状态,对所述第三位量子比特添加量子门。
可选地,所述针对第一位量子比特,根据所述目标量子态中的第一位量子态状态,对所述第一位量子比特添加量子门,包括:
若所述目标量子态中第一位量子态状态包含0态,则不添加量子门;
若所述目标量子态中第一位量子态状态包含1态,则添加X门;
若所述目标量子态中第一位量子态状态包含0态和1态,则添加H门。
可选地,所述针对第二位量子比特,根据所述目标量子态中的第二位量子态状态,对所述第二位量子比特添加量子门,包括:
针对第二位量子比特,根据所述目标量子态中的第二位量子态状态和所述第一位量子态状态,对所述第二位量子比特添加量子门;其中,所述第一位量子比特为控制比特,所述第二位量子比特为受控比特。
可选地,所述针对第二位量子比特,根据所述目标量子态中的第一位量子态状态和第二位量子态状态,对所述第二位量子比特添加量子门,包括:
在所述第一位量子比特为0态时,若所述第二位量子态状态包含0态,则不添加量子门;
若所述第二位量子态状态包含1态,则添加0控非门;
若所述第二位量子态状态包含1态和0态,则添加0控H门。
可选地,所述针对第二位量子比特,根据所述目标量子态中的第一位量子态状态和第二位量子态状态,对所述第二位量子比特添加量子门,还包括:
在所述第一位量子比特为1态时,若所述第二位量子态状态包含0态,则不添加量子门;
若所述第二位量子态状态包含1态,则添加1控非门;
若所述第二位量子态状态包含1态和0态,则添加1控H门。
可选地,所述针对第三位量子比特,根据所述目标量子态中的第三位量子态状态,对所述第三位量子比特添加量子门,包括:
在对所述第一位量子比特添加量子门和对所述第二位量子比特添加量子门之后,获取所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态;
针对第三位量子比特,根据所述目标量子态中的第三位量子态状态、所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态,对所述第三位量子比特添加量子门。
可选地,所述针对第三位量子比特,根据所述目标量子态中的第三位量子态状态、所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态,对所述第三位量子比特添加量子门,包括:
若所述第三位量子比特包含0态,则不添加量子门;
若所述第三位量子比特包含1态,则添加量子比特控制非门;所述控制非门的控制状态由对应控制比特所处的控制状态确定;
若所述第三位量子比特包含0态和1态,则添加量子比特控制H门;所述控制H门的控制状态由对应控制比特所处的控制状态确定。
可选地,所述量子神经网络分类模型电路通过以下方式训练:
获取训练数据,所述训练数据包括样本图像以及所述样本图像标注的真实类别;
将所述样本图像编码到量子线路,并采用编码为量子线路的样本图像以及所述样本图像标注的真实类别对量子神经网络分类模型电路进行训练,得到用于识别图像类别的所述量子神经网络分类模型电路。
本发明实施例还公开了一种图像分类装置,所述装置包括:
获取模块,用于获取由待分类图像的像素值组成的数据向量;
对应模块,用于根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,并将所述量子比特表征的量子态与所述数据向量的元素进行一一对应;
确定模块,用于从所述量子比特表征的量子态中确定目标量子态;
构建模块,用于根据所述目标量子态中的各位量子态状态,构建量子线路;
分类模块,用于将所述量子线路接入量子神经网络分类模型电路进行量子计算,得到所述量子神经网络分类模型电路输出的所述待分类图像的类别。
可选地,所述获取模块,包括:
像素矩阵获取子模块,用于获取待分类图像的像素矩阵,所述像素矩阵包括所述待分类图像中各个像素点的像素值;
向量确定子模块,用于根据所述像素值,确定所述待分类图像对应的数据向量。
可选地,所述向量确定子模块,包括:
二值化单元,用于根据所述像素值,对所述待分类图像进行二值化处理,得到二值化数据矩阵;所述二值化数据矩阵包括所述像素值对应的元素;
数据向量确定单元,用于根据所述二值化数据矩阵,得到所述待分类图像对应的数据向量。
可选地,所述二值化单元,包括:
阈值判断子单元,用于判断所述像素值是否不小于预设像素阈值;
不小于阈值子单元,用于若所述像素值不小于预设像素阈值,则将所述像素值对应的元素设置为1;
小于阈值子单元,用于若所述像素值小于预设像素阈值,则将所述像素值对应的元素设置为0。
可选地,所述数据向量确定单元,包括:
顺序选取子单元,用于按照矩阵行的顺序,依次选取所述二值化数据矩阵中的元素,得到所述待分类图像对应的数据向量。
可选地,所述对应模块,包括:
量子态数量获取子模块,用于获取各个数量的量子比特表征的量子态数量;
数量确定子模块,用于根据所述数据向量的元素数量和所述量子态数量,确定用于编码所述待分类图像的量子比特的目标数量。
可选地,所述数量确定子模块,包括:
范围划分单元,用于根据所述各个数量的量子比特表征的量子态数量,依次划分各个数量的量子比特表征的量子态数量之间的数量范围;
目标数量确定单元,用于根据包含所述数据向量的元素数量的数量范围,确定用于编码所述待分类图像的量子比特的目标数量。
可选地,所述目标数量确定单元,包括:
量子比特目标数量确定子单元,用于当所述数据向量的元素数量,处于第一数量的量子比特表征的量子态数量与第二数量的量子比特表征的量子态数量构成的数据范围内时,将第二数量作为量子比特的目标数量;其中,所述第二数量大于第一数量。
可选地,所述数据向量的元素包括0和1,所述确定模块,包括:
舍去子模块,用于若所述数据向量的元素为0,则舍去所述数据向量的元素对应的量子态;
保留子模块,用于若所述数据向量的元素为1,则保留所述数据向量的元素对应的量子态,得到目标量子态。
可选地,所述构建模块,包括:
添加子模块,用于根据所述目标量子态中的各位量子态状态,对各位量子比特添加量子门,以构建量子线路。
可选地,所述添加子模块,包括:
依次添加单元,用于根据所述目标量子态中的各位量子态状态,按照从第一位量子比特到最后一位量子比特的顺序,依次对各位量子比特添加量子门。
可选地,所述依次添加单元,包括:
第一位量子门添加子单元,用于针对第一位量子比特,根据所述目标量子态中的第一位量子态状态,对所述第一位量子比特添加量子门;
第二位量子门添加子单元,用于针对第二位量子比特,根据所述目标量子态中的第二位量子态状态,对所述第二位量子比特添加量子门;
第三位量子门添加子单元,用于针对第三位量子比特,根据所述目标量子态中的第三位量子态状态,对所述第三位量子比特添加量子门。
可选地,所述第一位量子门添加子单元,包括:
不添加子单元,用于若所述目标量子态中第一位量子态状态包含0态,则不添加量子门;
X门添加子单元,用于若所述目标量子态中第一位量子态状态包含1态,则添加X门;
H门添加子单元,用于若所述目标量子态中第一位量子态状态包含0态和1态,则添加H门。
可选地,所述第二位量子门添加子单元,包括:
第二位比特量子门添加子单元,用于针对第二位量子比特,根据所述目标量子态中的第二位量子态状态和所述第一位量子态状态,对所述第二位量子比特添加量子门;其中,所述第一位量子比特为控制比特,所述第二位量子比特为受控比特。
可选地,所述第二位比特量子门添加子单元,包括:
不添加子单元,用于在所述第一位量子比特为0态时,若所述第二位量子态状态包含0态,则不添加量子门;
0控非门添加子单元,用于若所述第二位量子态状态包含1态,则添加0控非门;
0控H门添加子单元,用于若所述第二位量子态状态包含1态和0态,则添加0控H门。
可选地,所述第二位比特量子门添加子单元,还包括:
不添加子单元,用于在所述第一位量子比特为1态时,若所述第二位量子态状态包含0态,则不添加量子门;
1控非门添加子单元,用于若所述第二位量子态状态包含1态,则添加1控非门;
1控H门添加子单元,用于若所述第二位量子态状态包含1态和0态,则添加1控H门。
可选地,所述第三位量子门添加子单元,包括:
控制状态获取子单元,用于在对所述第一位量子比特添加量子门和对所述第二位量子比特添加量子门之后,获取所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态;
量子门对应添加子单元,用于针对第三位量子比特,根据所述目标量子态中的第三位量子态状态、所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态,对所述第三位量子比特添加量子门。
可选地,所述量子门对应添加子单元,包括:
不添加子单元,用于若所述第三位量子比特包含0态,则不添加量子门;
量子比特控制非门添加子单元,用于若所述第三位量子比特包含1态,则添加量子比特控制非门;所述控制非门的控制状态由对应控制比特所处的控制状态确定;
量子比特控制H门添加子单元,用于若所述第三位量子比特包含0态和1态,则添加量子比特控制H门;所述控制H门的控制状态由对应控制比特所处的控制状态确定。
可选地,所述量子神经网络分类模型电路通过以下模块训练:
训练数据获取模块,用于获取训练数据,所述训练数据包括样本图像以及所述样本图像标注的真实类别;
训练模块,用于将所述样本图像编码到量子线路,并采用编码为量子线路的样本图像以及所述样本图像标注的真实类别对量子神经网络分类模型电路进行训练,得到用于识别图像类别的所述量子神经网络分类模型电路。
本发明实施例还公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的图像分类方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的图像分类方法的步骤。
本发明实施例包括以下优点:
在本发明实施例中,可以获取由待分类图像的像素值组成的数据向量,根据数据向量的元素数量,确定用于编码待分类图像的量子比特的数量,并将量子比特表征的量子态与数据向量的元素进行一一对应,从量子比特表征的量子态中确定目标量子态,接着根据目标量子态中的各位量子态状态,构建量子线路,再将量子线路接入量子神经网络分类模型电路进行量子计算,得到量子神经网络分类模型电路输出的待分类图像的类别。本发明实施例通过将量子比特表征的量子态与所述数据向量的元素进行一一对应,可以在目前量子计算机的量子比特数目较少的情况下,充分利用量子比特叠加态的特性进行图像分类,避免采用一个量子比特编码一个像素信息的方式将规模较大的图像编码到量子电路时,需求的量子比特数量剧增,难以在量子计算中进行规模更大的图像的分类的问题,从而扩展了应用场景。
附图说明
图1是本发明实施例提供的一种图像分类方法的步骤流程图;
图2是本发明实施例提供的另一种图像分类方法的步骤流程图;
图3是本发明实施例提供的一种对第一位量子比特添加量子门的示意图;
图4是本发明实施例提供的一种对第二位量子比特添加量子门的示意图;
图5是本发明实施例提供的一种对第三位量子比特添加量子门的示意图;
图6是本发明实施例提供的一种将量子线路接入量子神经网络分类模型电路的示意图;
图7是本发明实施例提供的一种图像分类装置的结构框图;
图8是本发明实施例提供的电子设备的结构框图;
图9是本发明实施例提供的计算机可读存储介质的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在量子计算中进行图像的分类时,通常可以采用两种方式将图像信息编码到量子比特上:第一种为采用一个量子比特编码一个像素信息的方式,即将像素信息进行归一化等操作,作为参数编码进量子旋转门中,使得像素信息展现在量子比特的振幅上;第二种为采用振幅编码的方式,即将像素信息编码到最终量子比特各个量子态对应的振幅中。
然而,采用上述第一种方式时,随着图像规模的增大,需求的量子比特数量也会增多,对目前的量子硬件要求极高,从而难以在量子计算中进行规模更大的图像的分类;采用上述第二种方式时,需要较为复杂的量子电路进行编码,实现过程要求高,不利于快速部署和应用。
本发明实施例的核心构思之一在于,可以获取由待分类图像的像素值组成的数据向量,根据数据向量的元素数量,确定用于编码待分类图像的量子比特的数量,并将量子比特表征的量子态与数据向量的元素进行一一对应,从量子比特表征的量子态中确定目标量子态,接着根据目标量子态中的各位量子态状态,构建量子线路,再将量子线路接入量子神经网络分类模型电路进行量子计算,得到量子神经网络分类模型电路输出的待分类图像的类别。本发明实施例通过将量子比特表征的量子态与所述数据向量的元素进行一一对应,可以在目前量子计算机的量子比特数目较少的情况下,充分利用量子比特叠加态的特性进行图像分类,避免采用一个量子比特编码一个像素信息的方式将规模较大的图像编码到量子电路时,需求的量子比特数量剧增,难以在量子计算中进行规模更大的图像的分类的问题,从而扩展了应用场景。
参照图1,示出了本发明实施例提供的一种图像分类方法的步骤流程图,所述方法具体可以包括如下步骤:
步骤101,获取由待分类图像的像素值组成的数据向量。
本发明实施例的图像分类方法,可以应用于量子计算中对图像进行分类的场景,可以首先获取待分类图像,再获取由待分类图像的像素值组成的数据向量,在确定用于编码待分类图像的量子比特的数量之后,可以将量子比特表征的量子态与数据向量的元素进行一一对应,从中确定目标量子态,并根据目标量子态中的各位量子态状态构建量子线路,从而将待分类图像编码到量子线路。在将待分类图像编码到量子线路之后,可以将该量子线路接入量子神经网络分类模型电路进行量子计算,即可得到待分类图像的类别。
像素值可以是指待分类图像被数字化时由计算机赋予的值,可以用于表示待分类图像某一小方块的平均亮度信息,或者用于表示该小方块的平均反射(透射)密度信息。在本发明实施例中,待分类图像可以具有多个像素值,可以获取由待分类图像的多个像素值组成的数据向量。
步骤102,根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,并将所述量子比特表征的量子态与所述数据向量的元素进行一一对应。
量子计算的基本单元可以为量子比特,有两个可能的状态|0>,|1>,可以对应量子比特的开关状态。量子比特的状态可以是两种状态的线性叠加状态:|φ>=α|0>+β|1>,其中,α,β可以称为量子态的概率幅,可以分别表示处于两种态的概率分布,满足|α|2+|β|2=100%。量子比特可以表征两种状态,n个量子比特可以表征2n个量子态。
数据向量中可以包含多个元素,根据数据向量中的元素数量可以确定量子比特的数量。在确定量子比特的数量后,可以从该数量的量子比特所能表征的多个量子态中选取元素数量个量子态,并将选取的元素数量个量子态与数据向量的元素进行一一对应。示例性地,若数据向量中的元素数量为s个,量子比特的数量为q个,则选取q个量子比特所能表征的2q个量子态中的前s个量子态,并将选取的s个量子态与数据向量的s个元素进行一一对应。
步骤103,从所述量子比特表征的量子态中确定目标量子态。
具体的,可以根据数据向量的元素值,从量子比特表征的多个量子态中筛选出需要保留的量子态,从而得到目标量子态。
步骤104,根据所述目标量子态中的各位量子态状态,构建量子线路。
在本发明实施例中,可以根据目标量子态中每一位量子态状态,构建量子线路,从而将待分类图像编码到量子线路。
步骤105,将所述量子线路接入量子神经网络分类模型电路进行量子计算,得到所述量子神经网络分类模型电路输出的所述待分类图像的类别。
在将待分类图像编码到量子线路后,可以将该量子线路接入量子神经网络分类模型电路,使用量子神经网络分类模型进行分类,从而通过量子神经网络分类模型的输出值,确定待分类图像的分类类别。
在本发明实施例中,可以获取由待分类图像的像素值组成的数据向量,根据数据向量的元素数量,确定用于编码待分类图像的量子比特的数量,并将量子比特表征的量子态与数据向量的元素进行一一对应,从量子比特表征的量子态中确定目标量子态,接着根据目标量子态中的各位量子态状态,构建量子线路,再将量子线路接入量子神经网络分类模型电路进行量子计算,得到量子神经网络分类模型电路输出的待分类图像的类别。本发明实施例通过将量子比特表征的量子态与所述数据向量的元素进行一一对应,可以在目前量子计算机的量子比特数目较少的情况下,充分利用量子比特叠加态的特性进行图像分类,避免采用一个量子比特编码一个像素信息的方式将规模较大的图像编码到量子电路时,需求的量子比特数量剧增,难以在量子计算中进行规模更大的图像的分类的问题,从而扩展了应用场景。
参照图2,示出了本发明实施例提供的另一种图像分类方法的步骤流程图,所述方法具体可以包括如下步骤:
步骤201,获取待分类图像的像素矩阵,所述像素矩阵包括所述待分类图像中各个像素点的像素值。
示例性地,待分类图像的像素矩阵可以为n行m列的矩阵,该矩阵可以包括待分类图像中n×m个像素点各自对应的像素值,像素值可以采用x11,x12,…,x1m,…,xnm来表示,其中xnm可以表示像素矩阵中第n行第m列的元素,各个元素(即像素值)的取值可以为0到255。
步骤202,根据所述像素值,确定所述待分类图像对应的数据向量。
在一种可选的实施例中,所述步骤202可以包括以下子步骤S11-S12:
子步骤S11,根据所述像素值,对所述待分类图像进行二值化处理,得到二值化数据矩阵;所述二值化数据矩阵包括所述像素值对应的元素。
在一种可选的实施例中,所述子步骤S11可以包括以下子步骤S111-S113:
子步骤S111,判断所述像素值是否不小于预设像素阈值。
子步骤S112,若所述像素值不小于预设像素阈值,则将所述像素值对应的元素设置为1。
子步骤S113,若所述像素值小于预设像素阈值,则将所述像素值对应的元素设置为0。
可以根据待分类图像的像素矩阵中的像素值的大小,对待分类图像进行二值化处理,得到二值化数据矩阵。具体的,可以判断像素矩阵中每个像素值的大小是否不小于预设像素阈值;若像素值不小于预设像素阈值,则将该像素值对应的元素设置为1;若像素值小于预设像素阈值,则将该像素值对应的元素设置为0,从而完成对待分类图像的二值化处理,得到的二值化数据矩阵可以为由0和1组成的数据矩阵。
示例性地,可以将预设像素阈值设置为127,可以将不小于127的像素值对应的元素设置为0,将小于127的像素值对应的元素设置为0。需要说明的是,上述预设像素阈值设置为127仅仅是本发明的示例,本领域技术人员在实际应用中,可以根据具体任务需求或者个人需求设置该像素阈值,本发明在此不作限制。
子步骤S12,根据所述二值化数据矩阵,得到所述待分类图像对应的数据向量。
在一种可选的实施例中,所述子步骤S12可以包括:按照矩阵行的顺序,依次选取所述二值化数据矩阵中的元素,得到所述待分类图像对应的数据向量。
在本发明实施例中,可以按照矩阵行的顺序,即先从左到右选取矩阵第一行的元素,接着从左到右选取矩阵第二行的元素,依次类推,依次选取二值化数据矩阵中的元素,从而得到待分类图像对应的数据向量。示例性地,数据向量可以为(0,1,1,0,…,1),数据向量的元素个数可以为n×m个。
步骤203,根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,并将所述量子比特表征的量子态与所述数据向量的元素进行一一对应。
在一种可选的实施例中,所述步骤203可以包括以下子步骤S21-S22:
子步骤S21,获取各个数量的量子比特表征的量子态数量。
示例性地,可以获取1个量子比特表征的量子态数量21,2个量子比特表征的量子态数量22,3个量子比特表征的量子态数量23,…,q个量子比特表征的量子态数量2q。
子步骤S22,根据所述数据向量的元素数量和所述量子态数量,确定用于编码所述待分类图像的量子比特的目标数量。
在一种可选的实施例中,所述子步骤S22可以包括以下子步骤S221-S222:
子步骤S221,根据所述各个数量的量子比特表征的量子态数量,依次划分各个数量的量子比特表征的量子态数量之间的数量范围。
示例性地,对于1个量子比特表征的量子态数量21,2个量子比特表征的量子态数量22,3个量子比特表征的量子态数量23,…,q个量子比特表征的量子态数量2q,可以划分多个数量范围[21,22],[22,23],…,[2q-1,2q]。
子步骤S222,根据包含所述数据向量的元素数量的数量范围,确定用于编码所述待分类图像的量子比特的目标数量。
在一种可选的实施例中,所述子步骤S222可以包括:当所述数据向量的元素数量,处于第一数量的量子比特表征的量子态数量与第二数量的量子比特表征的量子态数量构成的数据范围内时,将第二数量作为量子比特的目标数量;其中,所述第二数量大于第一数量。
示例性地,当数据向量的元素数量s,处于[2q-1,2q]范围内,即2q≥s≥2q-1,则可以确定量子比特的目标数量为q。例如,若待分类图像对应的像素矩阵中包括4个像素值,对待分类图像进行二值化处理后,根据二值化数据矩阵可以得到待分类图像对应的数据向量(1101),该数据向量的元素数量为4,22≥4≥21,则可以确定量子比特的目标数量为2。
步骤204,从所述量子比特表征的量子态中确定目标量子态。
在一种可选的实施例中,所述数据向量的元素包括0和1,所述步骤204可以包括以下子步骤S31-S32:
子步骤S31,若所述数据向量的元素为0,则舍去所述数据向量的元素对应的量子态。
子步骤S32,若所述数据向量的元素为1,则保留所述数据向量的元素对应的量子态,得到目标量子态。
示例性地,若对于数据向量(1101),确定量子比特的目标数量为2,那么2个量子比特可以表征(|00>,|01>,|10>,|11>)四种量子态,数据向量中第一位元素、第二位元素和第四位元素都为1,则可以保留|00>,|01>,|11>这三种量子态作为目标量子态,即保留的这三种量子态有振幅;数据向量中第三位元素为0,则可以舍去|10>量子态,|10>量子态无振幅的最终量子态作为待分类图像经过量子线路编码后的结果。
步骤205,根据所述目标量子态中的各位量子态状态,构建量子线路。
在一种可选的实施例中,所述步骤205可以包括以下子步骤S41:
子步骤S41,根据所述目标量子态中的各位量子态状态,对各位量子比特添加量子门,以构建量子线路。
在一种可选的实施例中,所述子步骤S41可以包括以下子步骤S411:
子步骤S411,根据所述目标量子态中的各位量子态状态,按照从第一位量子比特到最后一位量子比特的顺序,依次对各位量子比特添加量子门。
在一种可选的实施例中,所述子步骤S411可以包括以下子步骤S4111-S4113:
子步骤S4111,针对第一位量子比特,根据所述目标量子态中的第一位量子态状态,对所述第一位量子比特添加量子门。
在一种可选的实施例中,所述子步骤S4111可以包括:若所述目标量子态中第一位量子态状态包含0态,则不添加量子门;若所述目标量子态中第一位量子态状态包含1态,则添加X门;若所述目标量子态中第一位量子态状态包含0态和1态,则添加H门。
量子门可以是实现量子计算的基础,可以是对量子态进行的控制操作。常用的单量子操作门H门可以使目标量子比特从单状态变化到两个态的叠加态。控制门可根据控制比特状态对受控比特进行特定的操作,其中包括0量子态控制门和1量子态控制门,以及多比特量子控制门。0量子态控制表示的是在控制比特为0态的时候对受控比特进行相应的操作,1量子态控制门同理,多比特量子控制门则表示的是有多个控制比特,只有各控制比特分别在特定的量子态时才对受控比特进行操作。
在本发明实施例中,对第一位量子比特添加量子门时,若目标量子态中第一位量子态状态只有0态,则可以不添加量子门;若目标量子态中第一位量子态状态只有1态,则可以添加X门;若目标量子态中第一位量子态状态包含0态和1态,则可以添加H门。
参照图3,示出了本发明实施例提供的一种对第一位量子比特添加量子门的示意图,示例性地,对于保留的|00>,|01>,|11>这三种量子态(都为目标量子态),第一位量子态状态为0态、0态和1态,即第一位量子态状态包含0态和1态,则可以对第一个量子比特添加H门。
子步骤S4112,针对第二位量子比特,根据所述目标量子态中的第二位量子态状态,对所述第二位量子比特添加量子门。
在一种可选的实施例中,所述子步骤S4112可以包括:针对第二位量子比特,根据所述目标量子态中的第二位量子态状态和所述第一位量子态状态,对所述第二位量子比特添加量子门;其中,所述第一位量子比特为控制比特,所述第二位量子比特为受控比特。
在一种可选的实施例中,所述针对第二位量子比特,根据所述目标量子态中的第二位量子态状态和所述第一位量子态状态,对所述第二位量子比特添加量子门,可以包括:在所述第一位量子比特为0态时,若所述第二位量子态状态包含0态,则不添加量子门;若所述第二位量子态状态包含1态,则添加0控非门;若所述第二位量子态状态包含1态和0态,则添加0控H门。
在一种可选的实施例中,所述针对第二位量子比特,根据所述目标量子态中的第一位量子态状态和第二位量子态状态,对所述第二位量子比特添加量子门,还可以包括:在所述第一位量子比特为1态时,若所述第二位量子态状态包含0态,则不添加量子门;若所述第二位量子态状态包含1态,则添加1控非门;若所述第二位量子态状态包含1态和0态,则添加1控H门。
在本发明实施例中,对第二位量子比特添加量子门时,需要基于第一位量子比特对第二位量子比特添加量子门。在第一位量子比特为0态时,若第二位量子态状态只有0态,则可以不添加量子门;若第二位量子态状态只有1态,则可以添加0控非门;若第二位量子态状态包含1态和0态,则可以添加0控H门。在第一位量子比特为1态时,若第二位量子态状态只有0态,则可以不添加量子门;若第二位量子态状态只有1态,则可以添加1控非门;若第二位量子态状态包含1态和0态,则可以添加1控H门。
参照图4,示出了本发明实施例提供的一种对第二位量子比特添加量子门的示意图,示例性地,对于保留的|00>,|01>,|11>这三种量子态(都为目标量子态),在第一位量子比特为0态时,即对于|00>,|01>,第二位量子态状态包含0态和1态,则可以添加0控H门;在第二位量子比特为1态时,即对于|11>这种量子态,第二位量子态状态只有1态,则可以添加1控非门。
子步骤S4113,针对第三位量子比特,根据所述目标量子态中的第三位量子态状态,对所述第三位量子比特添加量子门。
在一种可选的实施例中,所述子步骤S4113可以包括以下子步骤S41131-S41132:
子步骤S41131,在对所述第一位量子比特添加量子门和对所述第二位量子比特添加量子门之后,获取所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态。
在本发明实施例中,在对第一位量子比特添加量子门和对第二位量子比特添加量子门之后,可以获取第一位量子比特所处的控制状态和第二位量子比特所处的控制状态。
子步骤S41132,针对第三位量子比特,根据所述目标量子态中的第三位量子态状态、所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态,对所述第三位量子比特添加量子门。
在一种可选的实施例中,所述子步骤S41132可以包括:若所述第三位量子比特包含0态,则不添加量子门;若所述第三位量子比特包含1态,则添加量子比特控制非门;所述控制非门的控制状态由对应控制比特所处的控制状态确定;若所述第三位量子比特包含0态和1态,则添加量子比特控制H门;所述控制H门的控制状态由对应控制比特所处的控制状态确定。
在本发明实施例中,对第三位量子比特添加量子门时,若第三位量子比特只有0态,则可以不添加量子门;若第三位量子比特只有1态,则可以添加量子比特控制非门,该控制非门的控制状态由对应控制比特所处的控制状态确定;若第三位量子比特包含0态和1态,则可以添加量子比特控制H门,该控制H门的控制状态由对应控制比特所处的控制状态确定。
参照图5,示出了本发明实施例提供的一种对第三位量子比特添加量子门的示意图,示例性地,对于保留的目标量子态(|011>),第三位量子比特只有1态,则在第一位量子比特为0控,在第二位量子比特为1态时,添加量子比特控制非门。
本领域技术人员应该可以理解,上述对第一位量子比特、第二位量子比特和第三位量子比特添加量子门仅仅是本发明的示例,在实际应用中,可以根据量子比特数量,根据目标量子态中第n位量子态状态,对第n个量子比特添加量子门,本发明在此不作限制。
步骤206,将所述量子线路接入量子神经网络分类模型电路进行量子计算,得到所述量子神经网络分类模型电路输出的所述待分类图像的类别。
参照图6,示出了本发明实施例提供的一种将量子线路接入量子神经网络分类模型电路的示意图。其中,量子神经网络模型电路可以用于进行分类,量子神经网络中为带参数的旋转门,经过受控非门将各个量子比特纠缠,然后对其进行测量,根据最终结果进行分类任务。图片信息编码后的量子电路可以接入量子神经网络模型电路,进行量子计算后,可以得到量子神经网络分类模型的输出值,从而确定待分类图像的分类类别。
在一种可选的实施例中,所述量子神经网络分类模型电路通过以下方式训练:获取训练数据,所述训练数据包括样本图像以及所述样本图像标注的真实类别;将所述样本图像编码到量子线路,并采用编码为量子线路的样本图像以及所述样本图像标注的真实类别对量子神经网络分类模型电路进行训练,得到用于识别图像类别的所述量子神经网络分类模型电路。
在本发明实施例中,可以预先对量子神经网络分类模型电路进行训练,可以获取多个样本图像以及多个样本图像各自标注的真实类别,将多个样本图像分别编码到多个量子线路中,采用多个编码为量子线路的样本图像以及每个样本图像标注的真实类别对量子神经分类模型电路进行训练,从而得到用于识别图像类别的量子神经网络分类模型电路。
在本发明实施例中,可以获取由待分类图像的像素值组成的数据向量,根据数据向量的元素数量,确定用于编码待分类图像的量子比特的数量,并将量子比特表征的量子态与数据向量的元素进行一一对应,从量子比特表征的量子态中确定目标量子态,接着根据目标量子态中的各位量子态状态,构建量子线路,再将量子线路接入量子神经网络分类模型电路进行量子计算,得到量子神经网络分类模型电路输出的待分类图像的类别。本发明实施例通过将量子比特表征的量子态与所述数据向量的元素进行一一对应,可以在目前量子计算机的量子比特数目较少的情况下,充分利用量子比特叠加态的特性进行图像分类,避免采用一个量子比特编码一个像素信息的方式将规模较大的图像编码到量子电路时,需求的量子比特数量剧增,难以在量子计算中进行规模更大的图像的分类的问题,从而扩展了应用场景。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图7,示出了本发明实施例提供的一种图像分类装置的结构框图,具体可以包括如下模块:
获取模块701,用于获取由待分类图像的像素值组成的数据向量;
对应模块702,用于根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,并将所述量子比特表征的量子态与所述数据向量的元素进行一一对应;
确定模块703,用于从所述量子比特表征的量子态中确定目标量子态;
构建模块704,用于根据所述目标量子态中的各位量子态状态,构建量子线路;
分类模块705,用于将所述量子线路接入量子神经网络分类模型电路进行量子计算,得到所述量子神经网络分类模型电路输出的所述待分类图像的类别.
在一种可选的实施例中,所述获取模块,包括:
像素矩阵获取子模块,用于获取待分类图像的像素矩阵,所述像素矩阵包括所述待分类图像中各个像素点的像素值;
向量确定子模块,用于根据所述像素值,确定所述待分类图像对应的数据向量。
在一种可选的实施例中,所述向量确定子模块,包括:
二值化单元,用于根据所述像素值,对所述待分类图像进行二值化处理,得到二值化数据矩阵;所述二值化数据矩阵包括所述像素值对应的元素;
数据向量确定单元,用于根据所述二值化数据矩阵,得到所述待分类图像对应的数据向量。
在一种可选的实施例中,所述二值化单元,包括:
阈值判断子单元,用于判断所述像素值是否不小于预设像素阈值;
不小于阈值子单元,用于若所述像素值不小于预设像素阈值,则将所述像素值对应的元素设置为1;
小于阈值子单元,用于若所述像素值小于预设像素阈值,则将所述像素值对应的元素设置为0。
在一种可选的实施例中,所述数据向量确定单元,包括:
顺序选取子单元,用于按照矩阵行的顺序,依次选取所述二值化数据矩阵中的元素,得到所述待分类图像对应的数据向量。
在一种可选的实施例中,所述对应模块,包括:
量子态数量获取子模块,用于获取各个数量的量子比特表征的量子态数量;
数量确定子模块,用于根据所述数据向量的元素数量和所述量子态数量,确定用于编码所述待分类图像的量子比特的目标数量。
在一种可选的实施例中,所述数量确定子模块,包括:
范围划分单元,用于根据所述各个数量的量子比特表征的量子态数量,依次划分各个数量的量子比特表征的量子态数量之间的数量范围;
目标数量确定单元,用于根据包含所述数据向量的元素数量的数量范围,确定用于编码所述待分类图像的量子比特的目标数量。
在一种可选的实施例中,所述目标数量确定单元,包括:
量子比特目标数量确定子单元,用于当所述数据向量的元素数量,处于第一数量的量子比特表征的量子态数量与第二数量的量子比特表征的量子态数量构成的数据范围内时,将第二数量作为量子比特的目标数量;其中,所述第二数量大于第一数量。
在一种可选的实施例中,所述数据向量的元素包括0和1,所述确定模块,包括:
舍去子模块,用于若所述数据向量的元素为0,则舍去所述数据向量的元素对应的量子态;
保留子模块,用于若所述数据向量的元素为1,则保留所述数据向量的元素对应的量子态,得到目标量子态。
在一种可选的实施例中,所述构建模块,包括:
添加子模块,用于根据所述目标量子态中的各位量子态状态,对各位量子比特添加量子门,以构建量子线路。
在一种可选的实施例中,所述添加子模块,包括:
依次添加单元,用于根据所述目标量子态中的各位量子态状态,按照从第一位量子比特到最后一位量子比特的顺序,依次对各位量子比特添加量子门。
在一种可选的实施例中,所述依次添加单元,包括:
第一位量子门添加子单元,用于针对第一位量子比特,根据所述目标量子态中的第一位量子态状态,对所述第一位量子比特添加量子门;
第二位量子门添加子单元,用于针对第二位量子比特,根据所述目标量子态中的第二位量子态状态,对所述第二位量子比特添加量子门;
第三位量子门添加子单元,用于针对第三位量子比特,根据所述目标量子态中的第三位量子态状态,对所述第三位量子比特添加量子门。
在一种可选的实施例中,所述第一位量子门添加子单元,包括:
不添加子单元,用于若所述目标量子态中第一位量子态状态包含0态,则不添加量子门;
X门添加子单元,用于若所述目标量子态中第一位量子态状态包含1态,则添加X门;
H门添加子单元,用于若所述目标量子态中第一位量子态状态包含0态和1态,则添加H门。
在一种可选的实施例中,所述第二位量子门添加子单元,包括:
第二位比特量子门添加子单元,用于针对第二位量子比特,根据所述目标量子态中的第二位量子态状态和所述第一位量子态状态,对所述第二位量子比特添加量子门;其中,所述第一位量子比特为控制比特,所述第二位量子比特为受控比特。
在一种可选的实施例中,所述第二位比特量子门添加子单元,包括:
不添加子单元,用于在所述第一位量子比特为0态时,若所述第二位量子态状态包含0态,则不添加量子门;
0控非门添加子单元,用于若所述第二位量子态状态包含1态,则添加0控非门;
0控H门添加子单元,用于若所述第二位量子态状态包含1态和0态,则添加0控H门。
在一种可选的实施例中,所述第二位比特量子门添加子单元,还包括:
不添加子单元,用于在所述第一位量子比特为1态时,若所述第二位量子态状态包含0态,则不添加量子门;
1控非门添加子单元,用于若所述第二位量子态状态包含1态,则添加1控非门;
1控H门添加子单元,用于若所述第二位量子态状态包含1态和0态,则添加1控H门。
在一种可选的实施例中,所述第三位量子门添加子单元,包括:
控制状态获取子单元,用于在对所述第一位量子比特添加量子门和对所述第二位量子比特添加量子门之后,获取所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态;
量子门对应添加子单元,用于针对第三位量子比特,根据所述目标量子态中的第三位量子态状态、所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态,对所述第三位量子比特添加量子门。
在一种可选的实施例中,所述量子门对应添加子单元,包括:
不添加子单元,用于若所述第三位量子比特包含0态,则不添加量子门;
量子比特控制非门添加子单元,用于若所述第三位量子比特包含1态,则添加量子比特控制非门;所述控制非门的控制状态由对应控制比特所处的控制状态确定;
量子比特控制H门添加子单元,用于若所述第三位量子比特包含0态和1态,则添加量子比特控制H门;所述控制H门的控制状态由对应控制比特所处的控制状态确定。
在一种可选的实施例中,所述量子神经网络分类模型电路通过以下模块训练:
训练数据获取模块,用于获取训练数据,所述训练数据包括样本图像以及所述样本图像标注的真实类别;
训练模块,用于将所述样本图像编码到量子线路,并采用编码为量子线路的样本图像以及所述样本图像标注的真实类别对量子神经网络分类模型电路进行训练,得到用于识别图像类别的所述量子神经网络分类模型电路。
在本发明实施例中,可以获取由待分类图像的像素值组成的数据向量,根据数据向量的元素数量,确定用于编码待分类图像的量子比特的数量,并将量子比特表征的量子态与数据向量的元素进行一一对应,从量子比特表征的量子态中确定目标量子态,接着根据目标量子态中的各位量子态状态,构建量子线路,再将量子线路接入量子神经网络分类模型电路进行量子计算,得到量子神经网络分类模型电路输出的待分类图像的类别。本发明实施例通过将量子比特表征的量子态与所述数据向量的元素进行一一对应,可以在目前量子计算机的量子比特数目较少的情况下,充分利用量子比特叠加态的特性进行图像分类,避免采用一个量子比特编码一个像素信息的方式将规模较大的图像编码到量子电路时,需求的量子比特数量剧增,难以在量子计算中进行规模更大的图像的分类的问题,从而扩展了应用场景。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现上述菜单设置方法实施例的各个过程。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质,如图9所示,计算机可读存储介质90上存储有计算机程序91,计算机程序91被处理器执行时实现上述菜单设置方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种图像分类方法、装置、电子设备和存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (21)
1.一种图像分类方法,其特征在于,所述方法包括:
获取由待分类图像的像素值组成的数据向量;
根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,并将所述量子比特表征的量子态与所述数据向量的元素进行一一对应;
从所述量子比特表征的量子态中确定目标量子态;
根据所述目标量子态中的各位量子态状态,构建量子线路;
将所述量子线路接入量子神经网络分类模型电路进行量子计算,得到所述量子神经网络分类模型电路输出的所述待分类图像的类别;
其中,所述数据向量是根据所述待分类图像的像素值二值化处理得到的,所述数据向量的元素包括0和1,所述从所述量子比特表征的量子态中确定目标量子态,包括:
若所述数据向量的元素为0,则舍去所述数据向量的元素对应的量子态;
若所述数据向量的元素为1,则保留所述数据向量的元素对应的量子态,得到目标量子态。
2.根据权利要求1所述的方法,其特征在于,所述获取由待分类图像的像素值组成的数据向量,包括:
获取待分类图像的像素矩阵,所述像素矩阵包括所述待分类图像中各个像素点的像素值;
根据所述像素值,确定所述待分类图像对应的数据向量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述像素值,确定所述待分类图像对应的数据向量,包括:
根据所述像素值,对所述待分类图像进行二值化处理,得到二值化数据矩阵;所述二值化数据矩阵包括所述像素值对应的元素;
根据所述二值化数据矩阵,得到所述待分类图像对应的数据向量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述像素值,对所述待分类图像进行二值化处理,得到二值化数据矩阵,包括:
判断所述像素值是否不小于预设像素阈值;
若所述像素值不小于预设像素阈值,则将所述像素值对应的元素设置为1;
若所述像素值小于预设像素阈值,则将所述像素值对应的元素设置为0。
5.根据权利要求3所述的方法,其特征在于,所述根据所述二值化数据矩阵,得到所述待分类图像对应的数据向量,包括:
按照矩阵行的顺序,依次选取所述二值化数据矩阵中的元素,得到所述待分类图像对应的数据向量。
6.根据权利要求1所述的方法,其特征在于,所述根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,包括:
获取各个数量的量子比特表征的量子态数量;
根据所述数据向量的元素数量和所述量子态数量,确定用于编码所述待分类图像的量子比特的目标数量。
7.根据权利要求6所述的方法,其特征在于,所述根据所述数据向量的元素数量和所述量子态数量,确定用于编码所述待分类图像的量子比特的目标数量,包括:
根据所述各个数量的量子比特表征的量子态数量,依次划分各个数量的量子比特表征的量子态数量之间的数量范围;
根据包含所述数据向量的元素数量的数量范围,确定用于编码所述待分类图像的量子比特的目标数量。
8.根据权利要求7所述的方法,其特征在于,所述根据包含所述数据向量的元素数量的数量范围,确定用于编码所述待分类图像的量子比特的目标数量,包括:
当所述数据向量的元素数量,处于第一数量的量子比特表征的量子态数量与第二数量的量子比特表征的量子态数量构成的数据范围内时,将第二数量作为量子比特的目标数量;其中,所述第二数量大于第一数量。
9.根据权利要求1所述的方法,其特征在于,所述根据所述目标量子态中的各位量子态状态,构建量子线路,包括:
根据所述目标量子态中的各位量子态状态,对各位量子比特添加量子门,以构建量子线路。
10.根据权利要求9所述的方法,其特征在于,所述根据所述目标量子态中的各位量子态状态,对各位量子比特添加量子门,包括:
根据所述目标量子态中的各位量子态状态,按照从第一位量子比特到最后一位量子比特的顺序,依次对各位量子比特添加量子门。
11.根据权利要求10所述的方法,其特征在于,所述根据所述目标量子态中的各位量子态状态,按照从第一位量子比特到最后一位量子比特的顺序,依次对各位量子比特添加量子门,包括:
针对第一位量子比特,根据所述目标量子态中的第一位量子态状态,对所述第一位量子比特添加量子门;
针对第二位量子比特,根据所述目标量子态中的第二位量子态状态,对所述第二位量子比特添加量子门;
针对第三位量子比特,根据所述目标量子态中的第三位量子态状态,对所述第三位量子比特添加量子门。
12.根据权利要求11所述的方法,其特征在于,所述针对第一位量子比特,根据所述目标量子态中的第一位量子态状态,对所述第一位量子比特添加量子门,包括:
若所述目标量子态中第一位量子态状态包含0态,则不添加量子门;
若所述目标量子态中第一位量子态状态包含1态,则添加X门;
若所述目标量子态中第一位量子态状态包含0态和1态,则添加H门。
13.根据权利要求11所述的方法,其特征在于,所述针对第二位量子比特,根据所述目标量子态中的第二位量子态状态,对所述第二位量子比特添加量子门,包括:
针对第二位量子比特,根据所述目标量子态中的第一位量子态状态和第二位量子态状态,对所述第二位量子比特添加量子门;其中,所述第一位量子比特为控制比特,所述第二位控制比特为受控比特。
14.根据权利要求13所述的方法,其特征在于,所述针对第二位量子比特,根据所述目标量子态中的第一位量子态状态和第二位量子态状态,对所述第二位量子比特添加量子门,包括:
在所述第一位量子比特为0态时,若所述第二位量子态状态包含0态,则不添加量子门;
若所述第二位量子态状态包含1态,则添加0控非门;
若所述第二位量子态状态包含1态和0态,则添加0控H门。
15.根据权利要求14所述的方法,其特征在于,所述针对第二位量子比特,根据所述目标量子态中的第一位量子态状态和第二位量子态状态,对所述第二位量子比特添加量子门,还包括:
在所述第一位量子比特为1态时,若所述第二位量子态状态包含0态,则不添加量子门;
若所述第二位量子态状态包含1态,则添加1控非门;
若所述第二位量子态状态包含1态和0态,则添加1控H门。
16.根据权利要求15所述的方法,其特征在于,所述针对第三位量子比特,根据所述目标量子态中的第三位量子态状态,对所述第三位量子比特添加量子门,包括:
在对所述第一位量子比特添加量子门和对所述第二位量子比特添加量子门之后,获取所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态;
针对第三位量子比特,根据所述目标量子态中的第三位量子态状态、所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态,对所述第三位量子比特添加量子门。
17.根据权利要求16所述的方法,其特征在于,所述针对第三位量子比特,根据所述目标量子态中的第三位量子态状态、所述第一位量子比特所处的控制状态和所述第二位量子比特所处的控制状态,对所述第三位量子比特添加量子门,包括:
若所述第三位量子比特包含0态,则不添加量子门;
若所述第三位量子比特包含1态,则添加量子比特控制非门;所述控制非门的控制状态由对应控制比特所处的控制状态确定;
若所述第三位量子比特包含0态和1态,则添加量子比特控制H门;所述控制H门的控制状态由对应控制比特所处的控制状态确定。
18.根据权利要求1所述的方法,其特征在于,所述量子神经网络分类模型电路通过以下方式训练:
获取训练数据,所述训练数据包括样本图像以及所述样本图像标注的真实类别;
将所述样本图像编码到量子线路,并采用编码为量子线路的样本图像以及所述样本图像标注的真实类别对量子神经网络分类模型电路进行训练,得到用于识别图像类别的所述量子神经网络分类模型电路。
19.一种图像分类装置,其特征在于,所述装置包括:
获取模块,用于获取由待分类图像的像素值组成的数据向量;
对应模块,用于根据所述数据向量的元素数量,确定用于编码所述待分类图像的量子比特的数量,并将所述量子比特表征的量子态与所述数据向量的元素进行一一对应;
确定模块,用于从所述量子比特表征的量子态中确定目标量子态;
构建模块,用于根据所述目标量子态中的各位量子态状态,构建量子线路;
分类模块,用于将所述量子线路接入量子神经网络分类模型电路进行量子计算,得到所述量子神经网络分类模型电路输出的所述待分类图像的类别;
其中,所述数据向量是根据所述待分类图像的像素值二值化处理得到的,所述数据向量的元素包括0和1,所述确定模块,包括:
舍去子模块,用于若所述数据向量的元素为0,则舍去所述数据向量的元素对应的量子态;
保留子模块,用于若所述数据向量的元素为1,则保留所述数据向量的元素对应的量子态,得到目标量子态。
20.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-18中任一项所述的图像分类方法的步骤。
21.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至18中任一项所述的图像分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029795.8A CN115761384B (zh) | 2023-01-09 | 2023-01-09 | 一种图像分类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029795.8A CN115761384B (zh) | 2023-01-09 | 2023-01-09 | 一种图像分类方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115761384A CN115761384A (zh) | 2023-03-07 |
CN115761384B true CN115761384B (zh) | 2023-04-28 |
Family
ID=85348785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310029795.8A Active CN115761384B (zh) | 2023-01-09 | 2023-01-09 | 一种图像分类方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761384B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921049A (zh) * | 2018-06-14 | 2018-11-30 | 华东交通大学 | 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备 |
CN111582210A (zh) * | 2019-07-09 | 2020-08-25 | 沈阳工业大学 | 基于量子神经网络的人体行为识别方法 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
CN114821217A (zh) * | 2021-06-28 | 2022-07-29 | 合肥本源量子计算科技有限责任公司 | 一种基于量子经典混合神经网络的图像识别方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345481B (zh) * | 2018-09-28 | 2020-09-18 | 北京空间机电研究所 | 一种用于航天光学遥感图像的量子优化方法 |
WO2020072981A1 (en) * | 2018-10-05 | 2020-04-09 | President And Fellows Of Harvard College | Quantum convolutional neural networks |
CN111353607B (zh) * | 2020-03-31 | 2021-09-07 | 合肥本源量子计算科技有限责任公司 | 一种量子态判别模型的获得方法、装置 |
CN114187598B (zh) * | 2020-08-25 | 2024-02-09 | 本源量子计算科技(合肥)股份有限公司 | 手写数字识别方法、设备及计算机可读存储介质 |
CN112232513B (zh) * | 2020-10-28 | 2024-06-14 | 本源量子计算科技(合肥)股份有限公司 | 一种量子态的制备方法及装置 |
EP4322069A1 (en) * | 2021-06-30 | 2024-02-14 | Origin Quantum Computing Technology (Hefei) Co., Ltd | Method and apparatus for determining multi-qubit measurement result, and quantum computer |
-
2023
- 2023-01-09 CN CN202310029795.8A patent/CN115761384B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921049A (zh) * | 2018-06-14 | 2018-11-30 | 华东交通大学 | 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备 |
CN111582210A (zh) * | 2019-07-09 | 2020-08-25 | 沈阳工业大学 | 基于量子神经网络的人体行为识别方法 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
CN114821217A (zh) * | 2021-06-28 | 2022-07-29 | 合肥本源量子计算科技有限责任公司 | 一种基于量子经典混合神经网络的图像识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115761384A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740657B (zh) | 一种用于图像数据分类的神经网络模型的训练方法与设备 | |
CN112734034A (zh) | 模型训练方法、调用方法、装置、计算机设备和存储介质 | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
CN111950692B (zh) | 用于改进的通用化的基于汉明距离的稳健输出编码 | |
WO2023024406A1 (zh) | 数据蒸馏的方法、装置、设备、存储介质、计算机程序及产品 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
EP3273390A2 (en) | Hardware implementation of a temporal memory system | |
CN112613543A (zh) | 增强策略验证方法、装置、电子设备及存储介质 | |
CN111932451A (zh) | 重定位效果的评价方法、装置、电子设备和存储介质 | |
Pannu et al. | Design and fabrication of flow-based edge detection memristor crossbar circuits | |
CN113128432A (zh) | 一种基于演化计算的多任务神经网络架构搜索方法 | |
CN109285560B (zh) | 一种音乐特征提取方法、装置及电子设备 | |
CN113283514B (zh) | 一种基于深度学习的未知类别分类方法、装置及介质 | |
CN115761384B (zh) | 一种图像分类方法、装置、电子设备和存储介质 | |
CN114066899A (zh) | 图像分割模型训练、图像分割方法、装置、设备及介质 | |
CN111914949B (zh) | 基于强化学习的零样本学习模型的训练方法及装置 | |
CN116957921A (zh) | 图像渲染方法、装置、设备及存储介质 | |
CN111753729A (zh) | 一种假脸检测方法、装置、电子设备及存储介质 | |
CN116502672A (zh) | 一种神经网络量化部署方法、***、设备和介质 | |
CN111104339A (zh) | 基于多粒度学习的软件界面元素检测方法、***、计算机设备和存储介质 | |
CN113380270B (zh) | 一种音频音源分离方法、装置、存储介质及电子设备 | |
CN115049852A (zh) | 一种轴承故障诊断方法、装置、存储介质及电子设备 | |
CN111291792B (zh) | 基于双进化的流量数据类型集成分类方法及装置 | |
CN114004992A (zh) | 多标签分类模型的训练方法、图像的多标签分类方法 | |
CN113689395A (zh) | 一种自动化干细胞检测方法、***、终端以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |