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

第3章我们已经了解了经典比特的量子版本:量子比特。本章将学习经典寄存器的量子版本，即容纳量子状态的最子寄存器(Quantum Register)。本章将提供代码来在Python中模拟量子态(Quantum States)和量子寄存器。我们讨论了可分离状态和量子纠缠，并且使用Python实现了对多个可能纠缠的量子比特的量子测量。本章最后还介绍了量子退相干(Quantum Decoherence)和量

本文简单探讨了量子逻辑门以及Grover算法