《基于张量网络的机器学习入门》学习笔记7
《基于张量网络的机器学习入门》学习笔记7
- 量子算法
- 什么是量子算法
- 三个经典量子算法
- Grover算法
- 背景
- 基本原理
- 例题
量子算法
什么是量子算法
例如我们求解一个问题,一个111千克的铁球,从333米高的地方丢下来,多久接触地面?经典计算机的算法会例用物理学公式直接计算,而量子计算机却是“模拟真实情况”,假设有个铁球,实际丢几次。使用量子算法,类似于一种实验过程,发挥其物理特性,按我们设计的算法退出叠加态,退出叠加态的量子,有些推成了111,有些成000,最后测量到的011000110001100就是计算结果。由于量子算法利用了量子的物理特性,所以我们可以让叠加态的量子高概率的塌陷到我们想要的结果上。
量子计算机不能独立于经典计算机独立存在。因为量子计算机的计算过程其实就是把算法设计成一个实验,而实验才是提速的原因。其实本质就是换个思路把传统的计算设计成了实验,然后观察实验结果。所以全过程应该是用经典计算机进行一些状态的预处理,然后转化为合适的实验让量子计算机实现,实验完成后再用经典计算机处理实验结果,如果结果不理想(因为实验会有误差的存在),那就再做一次实验,最终获得想要的结果。
量子计算机对比经典计算机 :
接下来,我们会学习三个经典的量子算法
三个经典量子算法
Grover、Shor、HHL算法
Grover算法
背景
199619961996年,计算机科学家GroverGroverGrover提出一个量子搜索算法,通常成为GroverGroverGrover算法。该算法指的是从nnn个未分类的元素种寻找出某个特定的元素,其本质是一个搜索遍历问题。由于很多问题都可以看成一个搜索问题,因此GroverGroverGrover算法的用途十分广泛,再量子计算领域中的影响仅次于ShorShorShor算法。
基本原理
假设在NNN个元素的空间中搜索,方便起见,假定N=2N=2N=2,且搜索问题恰好有MMM个解,这个问题的特里可以方便地表示为一个输入xxx的函数f(x)f(x)f(x),xxx是从000到N−1N-1N−1的整数,fff的定义是:若xxx是搜索问题的一个解,则f(x)=1f(x)=1f(x)=1,若xxx不是解,则f(x)=0f(x)=0f(x)=0。于是,搜索问题可归结为判决函数:
f:Ω⟶{0,1}f:\Omega\longrightarrow\{0,1\} f:Ω⟶{0,1}
对每个输入都可计算出来的条件下,从NNN元的可能解集合Ω\OmegaΩ中找出一个满足f(x)=1f(x)=1f(x)=1的点xxx的问题。函数fff称为一个OracleOracleOracle(黑匣子)。
例题
假设有一个映射:1,2,⋯,N→{0,1}1,2,\cdots,N\to\{0,1\}1,2,⋯,N→{0,1},有一个函数f(x)→{0,1}f(x)\to\{0,1\}f(x)→{0,1}。当N=4N=4N=4时,假如,f(1)=0,f(2)=1,f(3)=0,f(4)=1f(1)=0,f(2)=1,f(3)=0,f(4)=1f(1)=0,f(2)=1,f(3)=0,f(4)=1,我们的目的就是找到f(x)=1f(x)=1f(x)=1的解,这就是一个搜索问题。在这个例题中2,42,42,4就是搜索解,二七只要搜索到一个解即可。但是,这个目标如何找得到呢?
假设被查找的集合为:{∣i⟩}={∣0⟩,∣1⟩,⋯,∣N−1⟩}\{|i\rangle\}=\{|0\rangle,|1\rangle,\cdots,|N-1\rangle\}{∣i⟩}={∣0⟩,∣1⟩,⋯,∣N−1⟩}且有一个量子OracleOracleOracle可以识别搜索问题的解,识别的结果通过OracleOracleOracle的一个量子比特给出,可以将OracleOracleOracle定义为:∣x⟩∣q⟩⟶Oracle∣x⟩∣q⊗f(x)⟩|x\rangle|q\rangle\stackrel{Oracle}{\longrightarrow}|x\rangle|q\otimes f(x)\rangle∣x⟩∣q⟩⟶Oracle∣x⟩∣q⊗f(x)⟩
其中,∣q⟩|q\rangle∣q⟩是一个结果寄存器。通过OracleOracleOracle,当搜索的索引为目标结果时,结果寄存器翻转;不是目标结果时,结果寄存器不变。因此,可以通过判断结果寄存器的值来确定搜索的对象是否为目标值。
简单来说,OracleOracleOracle的大致功能可以作如下定义:
Oω∣x⟩={∣x⟩,ifx≠ω−∣x⟩,ifx=ωO_\omega|x\rangle= \left\{ \begin{array}{lr} |x\rangle,if\quad x\ne\omega \\ -|x\rangle,if\quad x=\omega \end{array} \right. Oω∣x⟩={∣x⟩,ifx=ω−∣x⟩,ifx=ω
配合两个寄存器,OracleOracleOracle对量子态的具体操作为:先将初态制备在态∣0⟩⊗n∣1⟩|0\rangle\otimes^n|1\rangle∣0⟩⊗n∣1⟩上,∣0⟩⊗n|0\rangle\otimes^n∣0⟩⊗n为查询寄存器,∣1⟩|1\rangle∣1⟩为结果寄存器。经过HHH门操作后,可以将查询寄存器的量子态,变为所有结果的叠加态,即得到所有结果的索引,且记过寄存器变为H∣1⟩=(∣0⟩−∣1⟩)/2H|1\rangle=(|0\rangle-|1\rangle)/\sqrt{2}H∣1⟩=(∣0⟩−∣1⟩)/2,再使其通过OracleOracleOracle,可以对每一个索引进行检验,若是目标结果,则将结果寄存器的量子态进行0、10、10、1翻转,即:
12(∣1⟩−∣0⟩)=−12(∣1⟩−∣0⟩)\frac{1}{\sqrt{2}}(|1\rangle-|0\rangle)=-\frac{1}{\sqrt{2}}(|1\rangle-|0\rangle) 21(∣1⟩−∣0⟩)=−21(∣1⟩−∣0⟩)
而查询寄存器不变。当检验的索引不是目标结果时,结果寄存器不变。因此,OracleOracleOracle可以换一种表示方式:
∣x⟩(∣0⟩−∣1⟩2)⟶Oracle(−1)f(x)∣x⟩∣∣0⟩−∣1⟩2>|x\rangle\left(\frac{|0\rangle-|1\rangle}{\sqrt{2}}\right) \stackrel{Oracle}{\longrightarrow} (-1)^{f(x)}|x\rangle\left|\frac{|0\rangle-|1\rangle}{\sqrt{2}}\right> ∣x⟩(2∣0⟩−∣1⟩)⟶Oracle(−1)f(x)∣x⟩∣∣∣∣2∣0⟩−∣1⟩⟩
由此可得,OracleOracleOracle的作用是通过改变解的相位,标记搜索问题的解。
当查询寄存器由初态经过HHH门后,其将变成所有肯情况的等额叠加态,即包含着所有搜索问题的解与非搜索问题的解,记为:
∣0⟩⊗n⟶Hadamard∣ψ⟩=1N∑x∣x⟩|0\rangle\otimes^n\stackrel{Hadamard}{\longrightarrow} |\psi\rangle=\frac{1}{\sqrt{N}}\sum\limits_x|x\rangle ∣0⟩⊗n⟶Hadamard∣ψ⟩=N1x∑∣x⟩
再将所有非搜索问题(N−M)(N-M)(N−M)的解定义为一个量子态∣α⟩|\alpha\rangle∣α⟩,记为:
∣α⟩=1N−M∑x1∣x⟩|\alpha\rangle=\frac{1}{\sqrt{N-M}}\sum\limits_{x_1}|x\rangle ∣α⟩=N−M1x1∑∣x⟩
那么,令∣β⟩|\beta\rangle∣β⟩为最终的量子态,且∣α⟩|\alpha\rangle∣α⟩与∣β⟩|\beta\rangle∣β⟩正交,初态∣ψ⟩|\psi\rangle∣ψ⟩可重新表示为:
∣ψ⟩=N−MN∣α⟩+MN∣β⟩|\psi\rangle=\sqrt{\frac{N-M}{N}}|\alpha\rangle+\sqrt{\frac{M}{N}}|\beta\rangle ∣ψ⟩=NN−M∣α⟩+NM∣β⟩
此时,初态属于∣α⟩|\alpha\rangle∣α⟩与∣β⟩|\beta\rangle∣β⟩张成的空间,如图所示,可以用平面向量表示着三个量子态
我们已经知道OracleOracleOracle的作用是通过改变解的相位,标记搜索问题的解。相当于在∣β⟩|\beta\rangle∣β⟩内每一个态前均增加一个符号,将所有的符号提出来,有:
∣ψ⟩⟶OracleN−MN∣α⟩−MN∣β⟩|\psi\rangle\stackrel{Oracle}{\longrightarrow} \sqrt{\frac{N-M}{N}}|\alpha\rangle-\sqrt{\frac{M}{N}}|\beta\rangle ∣ψ⟩⟶OracleNN−M∣α⟩−NM∣β⟩
对应在上图二维坐标系中,OracleOracleOracle作用后相当于将∣ψ⟩|\psi\rangle∣ψ⟩作关于∣α⟩|\alpha\rangle∣α⟩轴的对称(第一种对称操作)。此时,还不能将量子态从∣ψ⟩|\psi\rangle∣ψ⟩变为∣β⟩|\beta\rangle∣β⟩,还需要另一种对称操作,即量子态关于∣ψ⟩|\psi\rangle∣ψ⟩对称的操作(第二种对称操作)。
首先将量子态经过一个HHH门,然后再对量子态进行一个相位变换,∣0⟩⊗n|0\rangle\otimes^n∣0⟩⊗n态的系数保持不变,其他的量子态的系数增加一个负号,相当于2∣0⟩⟨0∣−I=[100−1]2|0\rangle\langle0|-I=\left[\begin{array}{l}1&0\\0&-1 \end{array}\right]2∣0⟩⟨0∣−I=[100−1]变换(HouseholderHouseholderHouseholder算符)。如果取∣0⟩=[10]|0\rangle=\left[\begin{array}{l}1\\0\end{array}\right]∣0⟩=[10],不难发现2∣0⟩⟨0∣−I2|0\rangle\langle0|-I2∣0⟩⟨0∣−I对应于PauliPauliPauli算符σz\sigma_zσz,即Z−GateZ-GateZ−Gate演算。最后,再经过一个HHH门。此时,便实现了将量子态关于∣ψ⟩|\psi\rangle∣ψ⟩对称的操作
这两种对称操作,合在一起称为一次GroverGroverGrover迭代。假设初态∣ψ⟩|\psi\rangle∣ψ⟩可以表示为:
∣ψ⟩=cosθ2∣α⟩+sinθ2∣β⟩|\psi\rangle=cos\frac{\theta}{2}|\alpha\rangle+sin\frac{\theta}{2}|\beta\rangle ∣ψ⟩=cos2θ∣α⟩+sin2θ∣β⟩
对比前面初态∣ψ⟩|\psi\rangle∣ψ⟩的表示,不难发现cosθ2=N−MNcos\frac{\theta}{2}=\sqrt{\frac{N-M}{N}}cos2θ=NN−M。再根据上图,不能看出,每一次GroverGroverGrover迭代,可以是使量子态逆时针旋转θ\thetaθ,那么,进行kkk次GroverGroverGrover迭代后,末态为:
Gk∣ψ⟩=cos(2k+12θ)∣α⟩+sin(2k+12)∣β⟩G^k|\psi\rangle=cos\left(\frac{2k+1}{2}\theta\right)|\alpha\rangle+sin\left(\frac{2k+1}{2}\right)|\beta\rangle Gk∣ψ⟩=cos(22k+1θ)∣α⟩+sin(22k+1)∣β⟩
经过多次迭代操作,可以使末态在∣β⟩|\beta\rangle∣β⟩态上的概率足够大,进而满足精确度的要求,则迭代的次数RRR满足:R≤π4NMR\le\frac{\pi}{4}\sqrt{\frac{N}{M}}R≤4πMN
结合振幅示意图,可以更加清晰的看出算法的一次迭代过程
第一步:初始化,产生一个等幅度的状态叠合:
∣0n,0⟩→对前n个分量并行执行量子Fourier变换12n∑x=02n−1∣x,0⟩|0^n,0\rangle\xrightarrow{对前n个分量并行执行量子Fourier变换}\frac{1}{\sqrt{2^n}}\sum\limits_{x=0}^{2^n-1}|x,0\rangle ∣0n,0⟩对前n个分量并行执行量子Fourier变换2n1x=0∑2n−1∣x,0⟩
第二步:完成对判决函数的并行计算
12n∑x=02n−1∣x,0⟩→将第一分量的变换结果⊗到第二分量F:∣x,b⟩→∣x,b⊗f(x)⟩12n∑x=02n−1∣x,f(x)⟩\frac{1}{\sqrt{2^n}}\sum\limits_{x=0}^{2^n-1}|x,0\rangle\xrightarrow[将第一分量的变换结果\otimes到第二分量]{F:|x,b\rangle\to|x,b\otimes f(x)\rangle}\frac{1}{\sqrt{2^n}}\sum\limits_{x=0}^{2^n-1}|x,f(x)\rangle 2n1x=0∑2n−1∣x,0⟩F:∣x,b⟩→∣x,b⊗f(x)⟩将第一分量的变换结果⊗到第二分量2n1x=0∑2n−1∣x,f(x)⟩
第三步:对最后分量做“GGG操作”变换,标出真解
12n∑x=02n−1∣x,f(x)⟩→对二分量做“G操作”变换12n∑x=02n−1(−1)f(x)∣x,f(x)⟩\frac{1}{\sqrt{2^n}}\sum\limits_{x=0}^{2^n-1}|x,f(x)\rangle\xrightarrow{对二分量做“G操作”变换}\frac{1}{\sqrt{2^n}}\sum\limits_{x=0}^{2^n-1}(-1)^{f(x)}|x,f(x)\rangle 2n1x=0∑2n−1∣x,f(x)⟩对二分量做“G操作”变换2n1x=0∑2n−1(−1)f(x)∣x,f(x)⟩
第三步达到的效果是只有真解的幅才是负值。
第四步:对∣x,f(x)⟩|x,f(x)\rangle∣x,f(x)⟩的第一分量执行DDD变换,增大真解bbb对应的状态∣b,1⟩|b,1\rangle∣b,1⟩的出现概率。其中DDD变换的变换矩阵D=(dij)2n×2nD=(d_{ij})_{2^n\times2^n}D=(dij)2n×2n为:
dij={21−n−1,若i=j;21−n,若i≠j.d_{ij}=\left\{\begin{array}{l}2^{1-n}-1,若i=j;\\2^{1-n},若i\ne j.\end{array}\right. dij={21−n−1,若i=j;21−n,若i=j.
即幅度的变化规律(a0,a1,⋯,a2n−1)→(a0′,a1′,⋯,a2n−1′)(ai(a_0,a_1,\cdots,a_{2^n-1})\to(a_0^{'},a_1^{'},\cdots,a_{2^n-1}^{'})(a_i(a0,a1,⋯,a2n−1)→(a0′,a1′,⋯,a2n−1′)(ai是∣i⟩|i\rangle∣i⟩的幅度)))为:
ai′=∑j=02n−1dijaj=diiai+∑j:j≠idijaj=(21−n−1)ai+21−n∑j:j≠iaj=21−n∑j=02n−1aj−aia_i^{'}=\sum\limits_{j=0}^{2^n-1}d_{ij}a_j=d_{ii}a_i+\sum\limits_{j:j\ne i}d_{ij}a_j=(2^{1-n}-1)a_i+2^{1-n}\sum\limits_{j:j\ne i}a_j=2^{1-n}\sum\limits_{j=0}^{2^n-1}a_j-a_i ai′=j=0∑2n−1dijaj=diiai+j:j=i∑dijaj=(21−n−1)ai+21−nj:j=i∑aj=21−nj=0∑2n−1aj−ai
第四步:达到的效果是真解的出现概率变大!
第五步:重复执行第三步到第四步kkk次后进行观察,得到观察结果∣x,1⟩|x,1\rangle∣x,1⟩,并将xxx作为真解输出。
注意:
(1)迭代次数kkk的值必须预先设定;k≈π42nM−12k\approx\frac{\pi}{4}\sqrt{\frac{2^n}{M}}-\frac{1}{2}k≈4πM2n−21
(2)整个算法只计算一次f(x)f(x)f(x)
两个问题:(1)迭代次数kkk的值如何设定?(2)GroverGroverGrover算法的成功率是多少?
假设第二步后的结果是
φ0=12n∑x=02n−1∣x,f(x)⟩\varphi_0=\frac{1}{\sqrt{2^n}}\sum\limits_{x=0}^{2^n-1}|x,f(x)\rangle φ0=2n1x=0∑2n−1∣x,f(x)⟩
mmm次迭代后为
φm=φ(km,lm)=km∑i:f(i)=1∣i⟩+lm∑i:f(i)=0∣i⟩\varphi_m=\varphi(k_m,l_m)=k_m\sum\limits_{i:f(i)=1}|i\rangle+l_m\sum\limits_{i:f(i)=0}|i\rangle φm=φ(km,lm)=kmi:f(i)=1∑∣i⟩+lmi:f(i)=0∑∣i⟩
由1=∣φm∣2=km2×M+lm2×(2n−M)1=|\varphi_m|^2=k_m^2\times M+l_m^2\times(2^n-M)1=∣φm∣2=km2×M+lm2×(2n−M),令km2×M=sin2θm,lm2×(2n−M)=cos2θmk_m^2\times M=sin^2\theta_m,l_m^2\times(2^n-M)=cos^2\theta_mkm2×M=sin2θm,lm2×(2n−M)=cos2θm,得:
km=1Msinθm,lm=±12n−Mcosθmk_m=\frac{1}{\sqrt{M}}sin\theta_m,l_m=\pm\frac{1}{\sqrt{2^n-M}}cos\theta_m km=M1sinθm,lm=±2n−M1cosθm
定理111假设mmm次迭代后为φm=φ(km,lm)=km∑i:f(i)=1∣i⟩+lm∑i:f(i)=0∣i⟩\varphi_m=\varphi(k_m,l_m)=k_m\sum\limits_{i:f(i)=1}|i\rangle+l_m\sum\limits_{i:f(i)=0}|i\rangleφm=φ(km,lm)=kmi:f(i)=1∑∣i⟩+lmi:f(i)=0∑∣i⟩,则有
km=1Msin(2m+1)θ,lm=12n−Mcos(2m+1)θk_m=\frac{1}{\sqrt{M}}sin(2m+1)\theta,l_m=\frac{1}{\sqrt{2^n-M}}cos(2m+1)\theta km=M1sin(2m+1)θ,lm=2n−M1cos(2m+1)θ
其中θ=arcsinM2n⇒sinθ=M2n,cosθ=1−M2n\theta=arcsin\sqrt{\frac{M}{2^n}}\Rightarrow sin\theta=\sqrt{\frac{M}{2^n}},cos\theta=\sqrt{1-\frac{M}{2^n}}θ=arcsin2nM⇒sinθ=2nM,cosθ=1−2nM
证明:若m=0,φ0=12n∑x=02n−1∣x,f(x)⟩,k0=12n=1M×M2n=1Msinθ,l0=12n=12n−M×1−M2n=12n−Mcosθm=0,\varphi_0=\frac{1}{\sqrt{2^n}}\sum\limits_{x=0}^{2^n-1}|x,f(x)\rangle,k_0=\frac{1}{\sqrt{2^n}}=\frac{1}{\sqrt{M}}\times\sqrt{\frac{M}{2^n}}=\frac{1}{\sqrt{M}}sin\theta,l_0=\frac{1}{\sqrt{2^n}}=\frac{1}{\sqrt{2^n-M}}\times\sqrt{1-\frac{M}{2^n}}=\frac{1}{\sqrt{2^n-M}}cos\thetam=0,φ0=2n1x=0∑2n−1∣x,f(x)⟩,k0=2n1=M1×2nM=M1sinθ,l0=2n1=2n−M1×1−2nM=2n−M1cosθ
故当m=0m=0m=0,定理111成立。
现证m+1m+1m+1也成立。由于ax′′=2l−n[∑j:f(j)=0aj−∑j:f(j)=1aj]−(−1)f(x)axa_x^{''}=2^{l-n}[\sum\limits_{j:f(j)=0}a_j-\sum\limits_{j:f(j)=1}a_j]-(-1)^{f(x)}a_xax′′=2l−n[j:f(j)=0∑aj−j:f(j)=1∑aj]−(−1)f(x)ax,故km+1=2l−n[∑j:f(j)=0lm−∑j:f(j)=1km]+km=2l−n(2n−M)lm+(1−2l−nM)km=2(2n−m)2nlm+2n−2M2nkmk_{m+1}=2^{l-n}[\sum\limits_{j:f(j)=0}l_m-\sum\limits_{j:f(j)=1}k_m]+k_m=2^{l-n}(2^n-M)l_m+(1-2^{l-n}M)k_m=\frac{2(2^n-m)}{2^n}l_m+\frac{2^n-2M}{2^n}k_mkm+1=2l−n[j:f(j)=0∑lm−j:f(j)=1∑km]+km=2l−n(2n−M)lm+(1−2l−nM)km=2n2(2n−m)lm+2n2n−2Mkm
故定理111得证。
由定理111得,km=1Msin(2m+1)θ,θ=arcsinM2n≈M2nk_m=\frac{1}{\sqrt{M}}sin(2m+1)\theta,\theta=arcsin\sqrt{\frac{M}{2^n}}\approx\sqrt{\frac{M}{2^n}}km=M1sin(2m+1)θ,θ=arcsin2nM≈2nM
观察φm\varphi_mφm,概率的实数解为km2=1Msin2(2m+1)θ,km2×M=sin2(2m+1)θk_m^2=\frac{1}{M}sin^2(2m+1)\theta,k_m^2\times M=sin^2(2m+1)\thetakm2=M1sin2(2m+1)θ,km2×M=sin2(2m+1)θ。当(2m+1)θ≈π/2(2m+1)\theta\approx\pi/2(2m+1)θ≈π/2,概率≈1\approx1≈1
m=π4θ−12≈π42nM−12≈O(2n/M)m=\frac{\pi}{4\theta}-\frac{1}{2}\approx\frac{\pi}{4}\sqrt{\frac{2^n}{M}}-\frac{1}{2}\approx O(\sqrt{2^n/M}) m=4θπ−21≈4πM2n−21≈O(2n/M)
即当GroverGroverGrover算法的迭代次数为m=π4θ−12≈π42nM−12≈O(2n/M)m=\frac{\pi}{4\theta}-\frac{1}{2}\approx\frac{\pi}{4}\sqrt{\frac{2^n}{M}}-\frac{1}{2}\approx O(\sqrt{2^n/M})m=4θπ−21≈4πM2n−21≈O(2n/M),成功率接近111
小结:GroverGroverGrover算法的流程图
本周的学习就到这,下周我们将继续学习三大算法的第二个ShorShorShor算法
《基于张量网络的机器学习入门》学习笔记7相关推荐
- 《基于张量网络的机器学习入门》学习笔记6
<基于张量网络的机器学习入门>学习笔记6 密度算符(密度矩阵) 具体到坐标表象 在纯态上 在混合态上 纯态下的密度算符 混合态下的密度算符 密度算符的性质 量子力学性质的密度算符描述 第一 ...
- 《基于张量网络的机器学习入门》学习笔记5
<基于张量网络的机器学习入门>学习笔记5 量子概率体系 事件 互斥事件 概率与测量 不相容属性对 相容属性对 量子概率与经典概率的区别 量子测量 量子概率体系 我们将经典的实数概率扩展到复 ...
- 《基于张量网络的机器学习入门》学习笔记4
<基于张量网络的机器学习入门>学习笔记4 量子概率 将概率复数化 分布与向量的表示 事件与Hilbert空间 不兼容属性及其复数概率表示 为什么一定要复数概率 量子概率 将概率复数化 在经 ...
- 《基于张量网络的机器学习入门》学习笔记8(Shor算法)
<基于张量网络的机器学习入门>学习笔记8 Shor算法 来源 Shor算法的大致流程 因数分解 周期求取与量子傅里叶变换(QFT) Shor算法 来源 1994 1994 1994年,应用 ...
- 《基于张量网络的机器学习入门》学习笔记2
<基于张量网络的学习入门>学习笔记2 量子逻辑门 单量子逻辑门 恒等操作 泡利-X门(Pauli-X gate) 泡利-Y门(Pauli-Y gate) 泡利-Z门(Pauli-Z gat ...
- 《基于张量网络的机器学习入门》学习笔记1
<基于张量网络的学习入门>学习笔记1 量子力学的三大奥义 什么是量子 量子力学的三大奥义--叠加.测量和纠缠 第一大奥义:量子的叠加态 第二大奥义:量子的测量 第三大奥义:量子的纠缠态 量 ...
- Kaggle教程 机器学习入门学习笔记
机器学习入门学习笔记 [跳转]<Kaggle教程 机器学习入门>系列课程目录 >> 决策树 简介:是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零 ...
- 机器学习入门学习笔记:(4.2)SVM的核函数和软间隔
前言 之前讲了有关基本的SVM的数学模型(机器学习入门学习笔记:(4.1)SVM算法).这次主要介绍介绍svm的核函数.软间隔等概念,并进行详细的数学推导.这里仅将自己的笔记记录下来,以便以后复习查看 ...
- 机器学习入门学习笔记:(3.2)ID3决策树程序实现
前言 之前的博客中介绍了决策树算法的原理并进行了数学推导(机器学习入门学习笔记:(3.1)决策树算法).决策树的原理相对简单,决策树算法有:ID3,C4.5,CART等算法.接下来将对ID3决策树算法 ...
最新文章
- 移动端— position: fixed;固定定位解决方案
- python数据类型-第三篇:Python基本数据类型
- 二次探测再散列举例_二次探测散列法
- SOAMANAGER配置后无法登录问题
- 温州大学《深度学习》课程课件(十二、自然语言处理和词嵌入)
- EasyRTSPClient:基于live555封装的支持重连的RTSP客户端RTSPClient
- 物联网世界的承诺与挑战
- 中文幽默语料库构建与计算项目(幽默等级识别,幽默类型识别,隐喻类型识别,隐喻情绪识别)
- Pixel6 解锁bootloader
- ROS学习—opencv使用之图片传输
- SQL SERVER:开窗函数 SUM() OVER() 数据统计中一例使用
- 2020美赛B题题目及解题思路
- 心海软件学心理测试系统,心海软件-心理测试、心理档案、心理咨询室管理系统...
- 将shapefile文件加工为FBX文件、glb文件、gltf文件
- CQOI2007]涂色paint(BZOJ 1260) 区间动态规划 DP 逆向思维
- 高通核心板,高通骁龙410系列 MSM8916
- xcode9创建git分支
- 开通VPN后,网络访问比未开VPN还要慢
- 实用英语:女生拒绝男生搭讪的经典英语句
- OSChina 周二乱弹 —— 怎么制作妹子面
热门文章
- 树莓派4温度压力测试方法
- SFTP连接GCP,向服务器发送文件方法,第三方工具生成密钥对连接GCP服务器(putty生成密钥远程连接服务器)...
- mysql中Invalid default value for 'stime'问题
- 【提高系列】webpack相关知识
- 5天玩转C#并行和多线程编程 —— 第四天 Task进阶
- 在大数据圈你不知道的15个新技术
- 《JAVA编程思想》学习笔记——第三章 操作符
- Windows环境下搭建React Native
- Stack Overflow 上人气爆表的10个 Java 问题
- 深入理解linux内核: linux内核(二)