本章节介绍如何使用量子神经网络处理机器学习中的分类与回归任务。一般而言，我们将这两大内容归类为“监督学习(supervised learning)”

一、字面量（Literals）:（一）Bool值：没啥要说的，就是true和false????（二）数值（Numeric Literals）：支持类型：U8, U16, U32, U64, U128, USize, ULongI8, I16, I32, I64, I128, ISize, ILongF32, F64当然，作为一门现代编程语言，Pony支持自动类型推导，但有时候它...

整部笔记描述了qiskit-machine-learning包中提供的的不同量子神经网络(quantum neural network, QNN)实现,以及它们如何被整合到基础量子机器学习(quantum machine learning, QML)工作流中.整部笔记结构如下:经典神经网络是一种算法模型,其受到人脑结构的启发,可以在训练后用于识别图式(pattern)并学习解决复杂问题.它们基于一

整部笔记描述了qiskit-machine-learning包中提供的的不同量子神经网络(quantum neural network, QNN)实现,以及它们如何被整合到基础量子机器学习(quantum machine learning, QML)工作流中.

参数化量子电路，其中的门是通过可调参数定义的，是近期量子机器学习算法的基本组成部分。在文献中，根据上下文，参数化量子电路也被称为参数化试态、变分形式或分析。下面是一个简单的参数化电路的例子，有两个参数化门，一个单量子位zzz旋转门，具有可变的旋转角度θ\thetaθ，然后是两个量子位受控zzz旋转门，具有相同的可变旋转角度θ\thetaθ我们可以使用QuantumCircuit和Parameter

数据表示对于机器学习模型的成功至关重要。对于经典机器学习来说，问题是如何用数字表示数据，以便经典机器学习算法对数据进行最好的处理。对于量子机器学习来说，这个问题是类似的，但更基本:如何将数据表示并有效地输入到量子系统中，从而可以通过量子机器学习算法进行处理。这通常称为数据编码，但也称为数据嵌入或加载。这个过程是量子机器学习算法的关键部分，直接影响它们的计算能力。

与经典模型一样，我们可以训练参数化量子电路模型来执行数据驱动的任务。从数据中学习任意函数的任务在数学上表示为代价或者损失函数(也称为目标函数)fθ⃗fθ的最小化，相对于参数向量θ⃗θ。通常，在训练参数化量子电路模型时，我们想要取最小值的函数是期望值Ψθ⃗∣H∣Ψθ⃗⟨Ψθ​H​Ψθ⟩我们可以使用许多不同类型的算法来优化变分电路的参数，UθU_\thetaUθ​(基于梯度的、进化的和无梯度的方法)。

在本章，我们会介绍变分算法，随后描述并实现变分量子分类器，讨论变分的训练方法。

原书中第七章和第八章的内容，主要讲解了OpenQASM的使用以及与量子电路的相互转换

第4章本章将介绍量子门(Quantum Gate) ，并提供对经典门的模拟。我们简要阐释了量子计算中最常用的门，即工、X、Y、Z、H和CNOT等,它们形成通用门集，可以进行组合以执行任何量子计算。本章描述了门如何作用于状态以改变状态，以及该过程为什么对经典计算和量子计算都很重要。本章还提供了这些常用量子门的Python实现，并练习了在Python中将这些门应用于到目前为止已经讨论过的状态的许多示例