TensorFlow در 14 مه به Google I/O بازگشته است! همین الان ثبت نام کنید

این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

ابزار تحقیق

مشاهده در TensorFlow.org

در Google Colab اجرا شود

مشاهده منبع در GitHub

دانلود دفترچه یادداشت

TensorFlow Quantum عناصر اولیه کوانتومی را به اکوسیستم تنسورفلو می آورد. اکنون محققان کوانتومی می توانند از ابزارهای TensorFlow استفاده کنند. در این آموزش شما نگاهی دقیق تر به ترکیب TensorBoard در تحقیقات محاسبات کوانتومی خود خواهید داشت. با استفاده از آموزش DCGAN از TensorFlow، به سرعت آزمایش‌ها و تجسم‌های کاری مشابه نمونه‌های انجام شده توسط Niu و همکاران را ایجاد خواهید کرد. . به طور کلی شما خواهید داشت:

یک GAN را آموزش دهید تا نمونه هایی تولید کند که به نظر می رسد از مدارهای کوانتومی آمده باشند.
پیشرفت آموزش و همچنین تکامل توزیع را در طول زمان تجسم کنید.
آزمایش را با کاوش در نمودار محاسباتی محک بزنید.

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. تولید داده

با جمع آوری برخی داده ها شروع کنید. می‌توانید از TensorFlow Quantum برای تولید سریع نمونه‌های رشته بیتی استفاده کنید که منبع داده اولیه برای بقیه آزمایش‌های شما خواهد بود. مانند نیو و همکاران. شما خواهید دید که تقلید نمونه برداری از مدارهای تصادفی با عمق به شدت کاهش یافته چقدر آسان است. ابتدا چند کمک کننده را تعریف کنید:

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())

اکنون می توانید مدار و همچنین برخی از داده های نمونه را بررسی کنید:

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

شما می توانید همین کار را در TensorFlow Quantum با:

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)>

اکنون می توانید به سرعت داده های آموزشی خود را با استفاده از:

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)>

تعریف برخی از توابع کمکی برای تجسم با شروع آموزش مفید خواهد بود. دو مقدار جالب برای استفاده عبارتند از:

مقادیر صحیح نمونه ها، به طوری که می توانید هیستوگرام هایی از توزیع ایجاد کنید.
برآورد وفاداری خطی XEB از مجموعه‌ای از نمونه‌ها، برای نشان دادن مقداری از "تصادفی کوانتومی واقعی" نمونه‌ها.

@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

در اینجا می توانید با استفاده از XEB موارد توزیع و بررسی سلامت خود را تجسم کنید:

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

png

xeb_fid(all_data)

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

2. یک مدل بسازید

در اینجا می توانید از کامپوننت های مربوطه از آموزش DCGAN برای کیس کوانتومی استفاده کنید. به جای تولید ارقام MNIST، GAN جدید برای تولید نمونه‌های رشته بیت با طول N_QUBITS استفاده خواهد شد.

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

سپس، مدل‌های مولد و تفکیک‌کننده خود را نمونه‌سازی کنید، تلفات را تعریف کنید و تابع train_step را برای استفاده در حلقه اصلی آموزشی خود ایجاد کنید:

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

اکنون که تمام بلوک‌های ساختمان مورد نیاز برای مدل خود را دارید، می‌توانید یک تابع آموزشی را تنظیم کنید که تجسم TensorBoard را در خود جای دهد. ابتدا فایل‌نویس TensorBoard را راه‌اندازی کنید:

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()

با استفاده از ماژول tf.summary ، اکنون می توانید ثبت scalar ، histogram (و همچنین سایر موارد) را به TensorBoard در داخل تابع train اصلی وارد کنید:

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. آموزش و عملکرد را تجسم کنید

داشبورد TensorBoard اکنون می تواند با موارد زیر راه اندازی شود:

#docs_infra: no_execute
%tensorboard --logdir tb_logs/

هنگام فراخوانی train ، داشبورد TensoBoard با تمام آمار خلاصه ارائه شده در حلقه آموزشی به‌طور خودکار به‌روزرسانی می‌شود.

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)

در حالی که آموزش در حال اجرا است (و پس از اتمام آن) می توانید مقادیر اسکالر را بررسی کنید:

با جابجایی به برگه هیستوگرام همچنین می توانید ببینید که شبکه مولد چقدر در بازآفرینی نمونه ها از توزیع کوانتومی عمل می کند:

TensorBoard علاوه بر اینکه به شما امکان نظارت بر آمار خلاصه مربوط به آزمایش شما را می دهد، همچنین می تواند به شما کمک کند تا آزمایشات خود را برای شناسایی تنگناهای عملکرد نمایه کنید. برای اجرای مجدد مدل خود با نظارت بر عملکرد می توانید انجام دهید:

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

Epoch 50, took 0.8879530429840088(s)

TensorBoard تمام کدها را بین tf.profiler.experimental.start و tf.profiler.experimental.stop می کند. سپس این داده های نمایه را می توان در صفحه profile TensorBoard مشاهده کرد:

سعی کنید عمق را افزایش دهید یا با کلاس های مختلف مدارهای کوانتومی آزمایش کنید. تمام ویژگی های عالی دیگر TensorBoard مانند تنظیم هایپرپارامتر را که می توانید در آزمایش های کوانتومی TensorFlow خود بگنجانید، بررسی کنید.