ادوات البحث

تنظيم صفحاتك في مجموعات يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.

عرض على TensorFlow.org تشغيل في Google Colab عرض المصدر على جيثب تحميل دفتر

يجلب TensorFlow Quantum بدائيات الكم إلى النظام البيئي TensorFlow. الآن يمكن لباحثي الكم الاستفادة من الأدوات من TensorFlow. في هذا البرنامج التعليمي ، ستلقي نظرة فاحصة على دمج TensorBoard في أبحاث الحوسبة الكمومية. باستخدام البرنامج التعليمي DCGAN من TensorFlow ، ستنشئ بسرعة تجارب عمل وتصورات مشابهة لتلك التي قام بها Niu et al. . بشكل عام سوف:

  1. قم بتدريب GAN لإنتاج عينات تبدو وكأنها جاءت من دوائر كمومية.
  2. تصور تقدم التدريب وكذلك تطور التوزيع بمرور الوقت.
  3. ضع علامة مرجعية على التجربة من خلال استكشاف الرسم البياني للحساب.
pip install tensorflow==2.7.0 tensorflow-quantum tensorboard_plugin_profile==2.4.0
# Update package resources to account for version changes.
import importlib, pkg_resources
importlib.reload(pkg_resources)
<module 'pkg_resources' from '/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/pkg_resources/__init__.py'>
#docs_infra: no_execute
%load_ext tensorboard
import datetime
import time
import cirq
import tensorflow as tf
import tensorflow_quantum as tfq
from tensorflow.keras import layers

# visualization tools
%matplotlib inline
import matplotlib.pyplot as plt
from cirq.contrib.svg import SVGCircuit
2022-02-04 12:46:52.770534: E tensorflow/stream_executor/cuda/cuda_driver.cc:271] failed call to cuInit: CUDA_ERROR_NO_DEVICE: no CUDA-capable device is detected

1. توليد البيانات

ابدأ بجمع بعض البيانات. يمكنك استخدام TensorFlow Quantum لإنشاء بعض عينات سلسلة البت التي ستكون مصدر البيانات الأساسي لبقية تجاربك. مثل Niu et al. سوف تستكشف مدى سهولة محاكاة أخذ العينات من الدوائر العشوائية بعمق منخفض بشكل كبير. أولاً ، حدد بعض المساعدين:

def generate_circuit(qubits):
    """Generate a random circuit on qubits."""
    random_circuit = cirq.generate_boixo_2018_supremacy_circuits_v2(
        qubits, cz_depth=2, seed=1234)
    return random_circuit

def generate_data(circuit, n_samples):
    """Draw n_samples samples from circuit into a tf.Tensor."""
    return tf.squeeze(tfq.layers.Sample()(circuit, repetitions=n_samples).to_tensor())

يمكنك الآن فحص الدائرة وكذلك بعض عينات البيانات:

qubits = cirq.GridQubit.rect(1, 5)
random_circuit_m = generate_circuit(qubits) + cirq.measure_each(*qubits)
SVGCircuit(random_circuit_m)
findfont: Font family ['Arial'] not found. Falling back to DejaVu Sans.

svg

samples = cirq.sample(random_circuit_m, repetitions=10)
print('10 Random bitstrings from this circuit:')
print(samples)
10 Random bitstrings from this circuit:
(0, 0)=1000001000
(0, 1)=0000001010
(0, 2)=1010000100
(0, 3)=0010000110
(0, 4)=0110110010

يمكنك فعل الشيء نفسه في TensorFlow Quantum باستخدام:

generate_data(random_circuit_m, 10)
<tf.Tensor: shape=(10, 5), dtype=int8, numpy=
array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 1, 0, 0],
       [0, 1, 0, 0, 0],
       [0, 1, 0, 0, 0],
       [0, 1, 1, 0, 0],
       [1, 0, 0, 0, 0],
       [1, 0, 0, 1, 0],
       [1, 1, 1, 0, 0],
       [1, 1, 1, 0, 0]], dtype=int8)>

يمكنك الآن إنشاء بيانات التدريب الخاصة بك بسرعة باستخدام:

N_SAMPLES = 60000
N_QUBITS = 10
QUBITS = cirq.GridQubit.rect(1, N_QUBITS)
REFERENCE_CIRCUIT = generate_circuit(QUBITS)
all_data = generate_data(REFERENCE_CIRCUIT, N_SAMPLES)
all_data
<tf.Tensor: shape=(60000, 10), dtype=int8, numpy=
array([[0, 0, 0, ..., 0, 0, 0],
       [0, 0, 0, ..., 0, 0, 0],
       [0, 0, 0, ..., 0, 0, 0],
       ...,
       [1, 1, 1, ..., 1, 1, 1],
       [1, 1, 1, ..., 1, 1, 1],
       [1, 1, 1, ..., 1, 1, 1]], dtype=int8)>

سيكون من المفيد تحديد بعض الوظائف المساعدة لتصور أثناء بدء التدريب. هناك نوعان من الكميات المثيرة للاهتمام لاستخدامها:

  1. القيم الصحيحة للعينات ، بحيث يمكنك إنشاء مدرج تكراري للتوزيع.
  2. تقدير دقة XEB الخطي لمجموعة من العينات ، لإعطاء بعض المؤشرات عن مدى "عشوائية كمومية" العينات.
@tf.function
def bits_to_ints(bits):
    """Convert tensor of bitstrings to tensor of ints."""
    sigs = tf.constant([1 << i for i in range(N_QUBITS)], dtype=tf.int32)
    rounded_bits = tf.clip_by_value(tf.math.round(
        tf.cast(bits, dtype=tf.dtypes.float32)), clip_value_min=0, clip_value_max=1)
    return tf.einsum('jk,k->j', tf.cast(rounded_bits, dtype=tf.dtypes.int32), sigs)

@tf.function
def xeb_fid(bits):
    """Compute linear XEB fidelity of bitstrings."""
    final_probs = tf.squeeze(
        tf.abs(tfq.layers.State()(REFERENCE_CIRCUIT).to_tensor()) ** 2)
    nums = bits_to_ints(bits)
    return (2 ** N_QUBITS) * tf.reduce_mean(tf.gather(final_probs, nums)) - 1.0

هنا يمكنك تصور التوزيع الخاص بك والتحقق من صحة الأشياء باستخدام XEB:

plt.hist(bits_to_ints(all_data).numpy(), 50)
plt.show()

بي إن جي

xeb_fid(all_data)
<tf.Tensor: shape=(), dtype=float32, numpy=-0.0015467405>

2. بناء نموذج

هنا يمكنك استخدام المكونات ذات الصلة من البرنامج التعليمي DCGAN للحالة الكمية. بدلاً من إنتاج أرقام MNIST ، سيتم استخدام GAN الجديدة لإنتاج عينات سلسلة بت بطول N_QUBITS

LATENT_DIM = 100
def make_generator_model():
    """Construct generator model."""
    model = tf.keras.Sequential()
    model.add(layers.Dense(256, use_bias=False, input_shape=(LATENT_DIM,)))
    model.add(layers.Dense(128, activation='relu'))
    model.add(layers.Dropout(0.3))
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(N_QUBITS, activation='relu'))

    return model

def make_discriminator_model():
    """Constrcut discriminator model."""
    model = tf.keras.Sequential()
    model.add(layers.Dense(256, use_bias=False, input_shape=(N_QUBITS,)))
    model.add(layers.Dense(128, activation='relu'))
    model.add(layers.Dropout(0.3))
    model.add(layers.Dense(32, activation='relu'))
    model.add(layers.Dense(1))

    return model

بعد ذلك ، قم بإنشاء مثيل لنماذج المولد والمميزات الخاصة بك ، وحدد الخسائر وأنشئ وظيفة train_step لاستخدامها في حلقة التدريب الرئيسية الخاصة بك:

discriminator = make_discriminator_model()
generator = make_generator_model()
cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)
def discriminator_loss(real_output, fake_output):
    """Compute discriminator loss."""
    real_loss = cross_entropy(tf.ones_like(real_output), real_output)
    fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)
    total_loss = real_loss + fake_loss
    return total_loss

def generator_loss(fake_output):
    """Compute generator loss."""
    return cross_entropy(tf.ones_like(fake_output), fake_output)

generator_optimizer = tf.keras.optimizers.Adam(1e-4)
discriminator_optimizer = tf.keras.optimizers.Adam(1e-4)
BATCH_SIZE=256

@tf.function
def train_step(images):
    """Run train step on provided image batch."""
    noise = tf.random.normal([BATCH_SIZE, LATENT_DIM])
    with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:
        generated_images = generator(noise, training=True)

        real_output = discriminator(images, training=True)
        fake_output = discriminator(generated_images, training=True)

        gen_loss = generator_loss(fake_output)
        disc_loss = discriminator_loss(real_output, fake_output)

    gradients_of_generator = gen_tape.gradient(
        gen_loss, generator.trainable_variables)
    gradients_of_discriminator = disc_tape.gradient(
        disc_loss, discriminator.trainable_variables)

    generator_optimizer.apply_gradients(
        zip(gradients_of_generator, generator.trainable_variables))
    discriminator_optimizer.apply_gradients(
        zip(gradients_of_discriminator, discriminator.trainable_variables))

    return gen_loss, disc_loss

الآن بعد أن أصبح لديك كل اللبنات الأساسية اللازمة للنموذج الخاص بك ، يمكنك إعداد وظيفة تدريب تتضمن تصور TensorBoard. قم أولاً بإعداد كاتب ملفات TensorBoard:

logdir = "tb_logs/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
file_writer = tf.summary.create_file_writer(logdir + "/metrics")
file_writer.set_as_default()

باستخدام الوحدة النمطية tf.summary ، يمكنك الآن دمج التسجيل scalar histogram (وغير ذلك) في TensorBoard داخل وظيفة train الرئيسية:

def train(dataset, epochs, start_epoch=1):
    """Launch full training run for the given number of epochs."""
    # Log original training distribution.
    tf.summary.histogram('Training Distribution', data=bits_to_ints(dataset), step=0)

    batched_data = tf.data.Dataset.from_tensor_slices(dataset).shuffle(N_SAMPLES).batch(512)
    t = time.time()
    for epoch in range(start_epoch, start_epoch + epochs):
        for i, image_batch in enumerate(batched_data):
            # Log batch-wise loss.
            gl, dl = train_step(image_batch)
            tf.summary.scalar(
                'Generator loss', data=gl, step=epoch * len(batched_data) + i)
            tf.summary.scalar(
                'Discriminator loss', data=dl, step=epoch * len(batched_data) + i)

        # Log full dataset XEB Fidelity and generated distribution.
        generated_samples = generator(tf.random.normal([N_SAMPLES, 100]))
        tf.summary.scalar(
        'Generator XEB Fidelity Estimate', data=xeb_fid(generated_samples), step=epoch)
        tf.summary.histogram(
        'Generator distribution', data=bits_to_ints(generated_samples), step=epoch)
        # Log new samples drawn from this particular random circuit.
        random_new_distribution = generate_data(REFERENCE_CIRCUIT, N_SAMPLES)
        tf.summary.histogram(
        'New round of True samples', data=bits_to_ints(random_new_distribution), step=epoch)

        if epoch % 10 == 0:
            print('Epoch {}, took {}(s)'.format(epoch, time.time() - t))
            t = time.time()

3. تصور التدريب والأداء

يمكن الآن تشغيل لوحة معلومات TensorBoard باستخدام:

#docs_infra: no_execute
%tensorboard --logdir tb_logs/

عند استدعاء train ، سيتم تحديث لوحة معلومات TensoBoard تلقائيًا مع جميع الإحصائيات الموجزة الواردة في حلقة التدريب.

train(all_data, epochs=50)
Epoch 10, took 9.325464487075806(s)
Epoch 20, took 7.684147119522095(s)
Epoch 30, took 7.508770704269409(s)
Epoch 40, took 7.5157341957092285(s)
Epoch 50, took 7.533370494842529(s)

أثناء تشغيل التدريب (وبمجرد اكتماله) ، يمكنك فحص الكميات العددية:

بالتبديل إلى علامة تبويب الرسم البياني ، يمكنك أيضًا معرفة مدى جودة أداء شبكة المولد في إعادة إنشاء عينات من التوزيع الكمي:

بالإضافة إلى السماح بمراقبة ملخص الإحصائيات المتعلقة بتجربتك في الوقت الفعلي ، يمكن أن تساعدك لوحة TensorBoard أيضًا في ملف تعريف تجاربك لتحديد معوقات الأداء. لإعادة تشغيل النموذج الخاص بك مع مراقبة الأداء ، يمكنك القيام بما يلي:

tf.profiler.experimental.start(logdir)
train(all_data, epochs=10, start_epoch=50)
tf.profiler.experimental.stop()
Epoch 50, took 0.8879530429840088(s)

ستعمل لوحة TensorBoard على تشكيل كل الكود بين tf.profiler.experimental.start و tf.profiler.experimental.stop . يمكن بعد ذلك عرض بيانات الملف الشخصي هذه في صفحة profile للوحة TensorBoard:

حاول زيادة العمق أو تجربة فئات مختلفة من الدوائر الكمومية. تحقق من جميع الميزات الرائعة الأخرى في TensorBoard مثل ضبط hyperparameter الذي يمكنك دمجه في تجارب TensorFlow Quantum.