神经网络

卷积层、池化层、非线性激活函数代码示例

动态规划——找零问题

量子计算目前受到噪声的严重影响，特别是双量子比特门带来的噪声。在噪声中等规模量子硬件上，减少双量子比特门数量至关重要。我们提出了基于ZX演算、图神经网络和强化学习的量子电路优化框架。通过结合强化学习与树搜索，我们的方法解决了选择最优ZX演算重写规则序列的挑战。我们的方法训练了直接在ZX图上操作的强化学习策略，能够发现任意优化规则，显著减少CNOT门数量。实验表明该方法与最先进电路优化器竞争力相当，

world_size(进程总数)：在分布式训练或并行计算任务中，world_size表示总共有多少个进程参与计算。每个进程通常运行在不同的CPU核心、GPU或整个计算节点上。4.将数据加载器train_dataloader与train_sampler相结合。Shell 脚本可以自动化任务，使得重复性的工作可以快速、一致地完成。2.在获取训练数据集后，设置train_sampler。3.定义模型后，

解决办法：如果是运行单卡模式，在训练脚本中加入export ASCEND_RT_VISIBLE_DEVICES=0（指定 0 号卡对当前进程可见）。PRETTY_NAME：操作系统的友好名称，通常用于显示。VERSION_ID：操作系统的版本号，通常是一个数字。ID_LIKE：操作系统所属的家族或类似的操作系统。BUG_REPORT_URL：报告错误的 URL。HOME_URL：操作系统的官方网站

在多进程环境中，数据共享是一个挑战。torch.multiprocessing 允许在进程之间共享 PyTorch 张量，这些张量存储在共享内存中，而不是在进程之间复制数据。DDP通过在每个进程中创建模型的一个副本，并在每个副本上独立地进行前向和反向传播，从而实现并行计算。在每个训练步骤后，DDP自动同步各个进程计算出的梯度，确保所有进程的模型参数保持一致。这个采样器的设计目的是确保在分布式训练过

直接copy path获取的路径并不完整。需要新建一个python文件。

在hugging face上申请，申请的时候最好瞎编一个美国人的信息，并使用美国的IP（因为我第一次申请的时候老老实实填写的真实信息，IP地址定位在新加坡，然后一会儿就被reject了）先去github上下载最新的transformers仓库得到transformers-main.zip传到服务器上，并解压。报错原因：模型代码还没有正式发布到 PyPI（Python 的官方包仓库）成功将图片编码成

web of science