TensorFlow Quantum ist eine Bibliothek für hybrides quantenklassisches maschinelles Lernen.
# A hybrid quantum-classical model.
model = tf.keras.Sequential([
# Quantum circuit data comes in inside of tensors.
tf.keras.Input(shape=(), dtype=tf.dtypes.string),
# Parametrized Quantum Circuit (PQC) provides output
# data from the input circuits run on a quantum computer.
tfq.layers.PQC(my_circuit, [cirq.Z(q1), cirq.X(q0)]),
# Output data from quantum computer passed through model.
tf.keras.layers.Dense(50)
])
TensorFlow Quantum (TFQ) ist eine Quanten-Machine-Learning- Bibliothek für das schnelle Prototyping hybrider quantenklassischer ML-Modelle. Die Forschung zu Quantenalgorithmen und -anwendungen kann die Quantencomputing-Frameworks von Google nutzen, und zwar alles innerhalb von TensorFlow.
TensorFlow Quantum konzentriert sich auf Quantendaten und den Aufbau hybrider quantenklassischer Modelle . Es integriert in Cirq entwickelte Quantencomputing-Algorithmen und -Logik und bietet Quantencomputing-Primitive, die mit bestehenden TensorFlow-APIs kompatibel sind, zusammen mit Hochleistungs-Quantenschaltungssimulatoren. Lesen Sie mehr im TensorFlow Quantum-Whitepaper .
Beginnen Sie mit der Übersicht und führen Sie dann die Notebook-Tutorials aus .
