Malayalam
ഭാഷകൾ
English
Bengali
French
Hindi
Italian
Japanese
Korean
Malayalam
Russian
Spanish
Tamil
Turkish
Vietnamese
Shortcuts

ന്യൂറൽ നെറ്റ്‌വർക്ക് ക്ലാസിഫയർ & റിഗ്രസ്സർ

ഈ ട്യൂട്ടോറിയലിൽ NeuralNetworkClassifier, NeuralNetworkRegressor``എന്നിവ എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്ന് ഞങ്ങൾ കാണിക്കുന്നു. രണ്ടും ഇൻപുട്ടായി ഒരു (ക്വാണ്ടം) ``NeuralNetwork എടുത്ത് ഒരു പ്രത്യേക സന്ദർഭത്തിൽ അത് പ്രയോജനപ്പെടുത്തുന്നു. രണ്ട് സാഹചര്യങ്ങളിലും ഞങ്ങൾ സൗകര്യത്തിനായി മുൻകൂട്ടി ക്രമീകരിച്ച വേരിയൻ്റുകൾ, വേരിയേഷൻൽ ക്വാണ്ടം ക്ലാസിഫയർ (VQC), വേരിയേഷൻൽ ക്വാണ്ടം റിഗ്രെസർ (VQR) എന്നിവ നൽകുന്നു. ട്യൂട്ടോറിയൽ ഇനിപ്പറയുന്ന രീതിയിൽ ക്രമീകരിച്ചിരിക്കുന്നു:

  1. Classification

    • OpflowQNN ഉപയോഗിച്ചുള്ള ക്ലാസിഫിക്കേഷൻ

    • CircuitQNN ഉപയോഗിച്ചുള്ള ക്ലാസിഫിക്കേഷൻ

    • വേരിയേഷൻൽ ക്വാണ്ടം ക്ലാസിഫയർ(VQC)

  2. Regression

    • OpflowQNN ഉപയോഗിച്ചുള്ള റിഗ്രഷൻ

    • വേരിയേഷൻൽ ക്വാണ്ടം റിഗ്രസ്സർ(VQR)

[1]:
import numpy as np
import matplotlib.pyplot as plt

from qiskit import Aer, QuantumCircuit
from qiskit.opflow import Z, I, StateFn
from qiskit.utils import QuantumInstance
from qiskit.circuit import Parameter
from qiskit.circuit.library import RealAmplitudes, ZZFeatureMap
from qiskit.algorithms.optimizers import COBYLA, L_BFGS_B

from qiskit_machine_learning.neural_networks import TwoLayerQNN, CircuitQNN
from qiskit_machine_learning.algorithms.classifiers import NeuralNetworkClassifier, VQC
from qiskit_machine_learning.algorithms.regressors import NeuralNetworkRegressor, VQR

from typing import Union

from qiskit_machine_learning.exceptions import QiskitMachineLearningError

from IPython.display import clear_output
[2]:
quantum_instance = QuantumInstance(Aer.get_backend('aer_simulator'), shots=1024)

Classification

ഇനിപ്പറയുന്ന അൽ‌ഗോരിതം വിശദീകരിക്കുന്നതിന് ഞമ്മൾ ഒരു ലളിതമായ ക്ലാസ്സിഫിക്കേഷൻ ഡാറ്റാസെറ്റ് തയ്യാറാക്കുന്നു.

[3]:
num_inputs = 2
num_samples = 20
X = 2*np.random.rand(num_samples, num_inputs) - 1
y01 = 1*(np.sum(X, axis=1) >= 0)  # in { 0,  1}
y = 2*y01-1                       # in {-1, +1}
y_one_hot = np.zeros((num_samples, 2))
for i in range(num_samples):
    y_one_hot[i, y01[i]] = 1

for x, y_target in zip(X, y):
    if y_target == 1:
        plt.plot(x[0], x[1], 'bo')
    else:
        plt.plot(x[0], x[1], 'go')
plt.plot([-1, 1], [1, -1], '--', color='black')
plt.show()
../_images/tutorials_02_neural_network_classifier_and_regressor_4_0.png

OpflowQNN ഉപയോഗിച്ചുള്ള ക്ലാസ്സിഫിക്കേഷൻ

ഒരു NeuralNetworkClassifier OpflowQNN``എങ്ങനെ ക്ലാസ്സിഫിക്കേഷനിനായി ഉപയോഗിക്കാമെന്ന് ആദ്യം ഞങ്ങൾ കാണിക്കുന്നു. സന്ദർഭത്തിൽ, ``OpflowQNN \([-1, +1]\) എന്ന രൂപത്തിൽ ഒരു-ഡൈമൻഷണൽ ഔട്ട്‌പുട്ട് നൽകുമെന്ന് പ്രതീക്ഷിക്കുന്നു. ഇത് ബൈനറി വർഗ്ഗീകരണത്തിന് മാത്രമേ പ്രവർത്തിക്കൂ, അതിനാൽ ഞമ്മൾ രണ്ട് ക്ലാസുകൾ ഇവയിലേക്ക് നിയോഗിക്കുന്നു \(\{-1, +1\}\). സൗകര്യത്തിനായി, ഞമ്മൾ ഒരു സവിശേഷത മാപ്പിലൂടെയും അൻസാറ്റ്സിലൂടെയും നിർവചിച്ചിരിക്കുന്ന ഒരു പ്രത്യേക തരം OpflowQNN ആയ TwoLayerQNN ഉപയോഗിക്കുന്നത്.

[4]:
# construct QNN
opflow_qnn = TwoLayerQNN(num_inputs, quantum_instance=quantum_instance)
[5]:
# QNN maps inputs to [-1, +1]
opflow_qnn.forward(X[0, :], np.random.rand(opflow_qnn.num_weights))
[5]:
array([[0.47265625]])

We will add a callback function called callback_graph. This will be called for each iteration of the optimizer and will be passed two parameters: the current weights and the value of the objective function at those weights. For our function, we append the value of the objective function to an array so we can plot iteration versus objective function value and update the graph with each iteration. However, you can do whatever you want with a callback function as long as it gets the two parameters mentioned passed.

[6]:
# callback function that draws a live plot when the .fit() method is called
def callback_graph(weights, obj_func_eval):
    clear_output(wait=True)
    objective_func_vals.append(obj_func_eval)
    plt.title("Objective function value against iteration")
    plt.xlabel("Iteration")
    plt.ylabel("Objective function value")
    plt.plot(range(len(objective_func_vals)), objective_func_vals)
    plt.show()
[7]:
# construct neural network classifier
opflow_classifier = NeuralNetworkClassifier(opflow_qnn, optimizer=COBYLA(), callback=callback_graph)
[8]:
# create empty array for callback to store evaluations of the objective function
objective_func_vals = []
plt.rcParams["figure.figsize"] = (12, 6)

# fit classifier to data
opflow_classifier.fit(X, y)

# return to default figsize
plt.rcParams["figure.figsize"] = (6, 4)

# score classifier
opflow_classifier.score(X, y)
../_images/tutorials_02_neural_network_classifier_and_regressor_11_0.png
[8]:
0.5
[9]:
# evaluate data points
y_predict = opflow_classifier.predict(X)

# plot results
# red == wrongly classified
for x, y_target, y_p in zip(X, y, y_predict):
    if y_target == 1:
        plt.plot(x[0], x[1], 'bo')
    else:
        plt.plot(x[0], x[1], 'go')
    if y_target != y_p:
        plt.scatter(x[0], x[1], s=200, facecolors='none', edgecolors='r', linewidths=2)
plt.plot([-1, 1], [1, -1], '--', color='black')
plt.show()
../_images/tutorials_02_neural_network_classifier_and_regressor_12_0.png

CircuitQNN ഉപയോഗിച്ചുള്ള ക്ലാസിഫിക്കേഷൻ

അടുത്തതായി ഒരു NeuralNetworkClassifier CircuitQNN എങ്ങനെ ക്ലാസ്സിഫിക്കേഷനിനായി ഉപയോഗിക്കാമെന്ന് ഞങ്ങൾ കാണിക്കുന്നു. ഈ സന്ദർഭത്തിൽ, CircuitQNN \(d\)-ഡൈമൻഷണൽ പ്രോബബിലിറ്റി വെക്റ്റർ ഔട്ട്‌പുട്ടായി നൽകുമെന്ന് പ്രതീക്ഷിക്കുന്നു, ഇവിടെ \(d\) ക്ലാസുകളുടെ എണ്ണത്തെ സൂചിപ്പിക്കുന്നു. ഒരു ``QuantumCircuit``ൽ നിന്നുള്ള സാമ്പിൾ ഓട്ടോമാറ്റിക്കായി ഒരു പ്രോബബിലിറ്റി വിതരണത്തിന് കാരണമാകുന്നു, മാത്രമല്ല അളന്ന ബിറ്റ്സ്ട്രിംഗുകളിൽ നിന്ന് വ്യത്യസ്ത ക്ലാസുകളിലേക്കുള്ള മാപ്പിംഗ് ഞമ്മൾ നിർവചിക്കേണ്ടതുണ്ട്. ബൈനറി ക്ലാസ്സിഫിക്കേഷനിനായി ഞമ്മൾ പാരിറ്റി മാപ്പിംഗ് ഉപയോഗിക്കുന്നു.

[10]:
# construct feature map
feature_map = ZZFeatureMap(num_inputs)

# construct ansatz
ansatz = RealAmplitudes(num_inputs, reps=1)

# construct quantum circuit
qc = QuantumCircuit(num_inputs)
qc.append(feature_map, range(num_inputs))
qc.append(ansatz, range(num_inputs))
qc.decompose().draw(output='mpl')
[10]:
../_images/tutorials_02_neural_network_classifier_and_regressor_14_0.png
[11]:
# parity maps bitstrings to 0 or 1
def parity(x):
    return '{:b}'.format(x).count('1') % 2
output_shape = 2  # corresponds to the number of classes, possible outcomes of the (parity) mapping.
[12]:
# construct QNN
circuit_qnn = CircuitQNN(circuit=qc,
                         input_params=feature_map.parameters,
                         weight_params=ansatz.parameters,
                         interpret=parity,
                         output_shape=output_shape,
                         quantum_instance=quantum_instance)
[13]:
# construct classifier
circuit_classifier = NeuralNetworkClassifier(neural_network=circuit_qnn,
                                             optimizer=COBYLA(),
                                             callback=callback_graph)
[14]:
# create empty array for callback to store evaluations of the objective function
objective_func_vals = []
plt.rcParams["figure.figsize"] = (12, 6)

# fit classifier to data
circuit_classifier.fit(X, y01)

# return to default figsize
plt.rcParams["figure.figsize"] = (6, 4)

# score classifier
circuit_classifier.score(X, y01)
../_images/tutorials_02_neural_network_classifier_and_regressor_18_0.png
[14]:
0.65
[15]:
# evaluate data points
y_predict = circuit_classifier.predict(X)

# plot results
# red == wrongly classified
for x, y_target, y_p in zip(X, y01, y_predict):
    if y_target == 1:
        plt.plot(x[0], x[1], 'bo')
    else:
        plt.plot(x[0], x[1], 'go')
    if y_target != y_p:
        plt.scatter(x[0], x[1], s=200, facecolors='none', edgecolors='r', linewidths=2)
plt.plot([-1, 1], [1, -1], '--', color='black')
plt.show()
../_images/tutorials_02_neural_network_classifier_and_regressor_19_0.png

വേരിയേഷൻൽ ക്വാണ്ടം ക്ലാസിഫയർ(VQC)

CircuitQNN ഉള്ള NeuralNetworkClassifier ഒരു പ്രത്യേക വകഭേദമാണ് VQC. ബിറ്റ്സ്ട്രിംഗിൽ നിന്ന് ക്ലാസ്സിഫിക്കേഷനിലേക്ക് മാപ്പ് ചെയ്യുന്നതിന് ഇത് ഒരു പാരിറ്റി മാപ്പിംഗ് (അല്ലെങ്കിൽ ഒന്നിലധികം ക്ലാസുകളിലേക്കുള്ള വിപുലീകരണങ്ങൾക്ക്) പ്രയോഗിക്കുന്നു, ഇത് പ്രോബബിലിറ്റി വെക്റ്ററിന് കാരണമാകുന്നു, ഇത് വൻ-ഹോട്ട് എൻ‌കോഡുചെയ്‌ത (one-hot encoded) ഫലമായി വ്യാഖ്യാനിക്കപ്പെടുന്നു. സ്ഥിരസ്ഥിതിയായി, ഇത് ഒരു ഹോട്ട് എൻ‌കോഡുചെയ്‌ത ഫോർ‌മാറ്റിൽ‌ ലേബലുകൾ‌ പ്രതീക്ഷിക്കുന്ന CrossEntropyLoss ഫംഗ്ഷൻ‌ പ്രയോഗിക്കുന്നു, മാത്രമല്ല ഇത് അതേ ഫോർ‌മാറ്റിലേക്ക് തന്നെ പ്രവചനങ്ങൾ‌ നൽ‌കുകയും ചെയ്യുന്നു.

[16]:
# construct feature map, ansatz, and optimizer
feature_map = ZZFeatureMap(num_inputs)
ansatz = RealAmplitudes(num_inputs, reps=1)

# construct variational quantum classifier
vqc = VQC(feature_map=feature_map,
          ansatz=ansatz,
          loss='cross_entropy',
          optimizer=COBYLA(),
          quantum_instance=quantum_instance,
          callback=callback_graph)
[17]:
# create empty array for callback to store evaluations of the objective function
objective_func_vals = []
plt.rcParams["figure.figsize"] = (12, 6)

# fit classifier to data
vqc.fit(X, y_one_hot)

# return to default figsize
plt.rcParams["figure.figsize"] = (6, 4)

# score classifier
vqc.score(X, y_one_hot)
../_images/tutorials_02_neural_network_classifier_and_regressor_22_0.png
[17]:
0.6
[18]:
# evaluate data points
y_predict = vqc.predict(X)

# plot results
# red == wrongly classified
for x, y_target, y_p in zip(X, y_one_hot, y_predict):
    if y_target[0] == 1:
        plt.plot(x[0], x[1], 'bo')
    else:
        plt.plot(x[0], x[1], 'go')
    if not np.all(y_target == y_p):
        plt.scatter(x[0], x[1], s=200, facecolors='none', edgecolors='r', linewidths=2)
plt.plot([-1, 1], [1, -1], '--', color='black')
plt.show()
../_images/tutorials_02_neural_network_classifier_and_regressor_23_0.png

Regression

ഇനിപ്പറയുന്ന അൽ‌ഗോരിതം വിശദീകരിക്കുന്നതിന് ഞമ്മൾ ഒരു ലളിതമായ റിഗ്രഷൻ ഡാറ്റാസെറ്റ് തയ്യാറാക്കുന്നു.

[19]:
num_samples = 20
eps = 0.2
lb, ub = -np.pi, np.pi
X_ = np.linspace(lb, ub, num=50).reshape(50, 1)
f = lambda x: np.sin(x)

X = (ub - lb)*np.random.rand(num_samples, 1) + lb
y = f(X[:,0]) + eps*(2*np.random.rand(num_samples)-1)

plt.plot(X_, f(X_), 'r--')
plt.plot(X, y, 'bo')
plt.show()
../_images/tutorials_02_neural_network_classifier_and_regressor_25_0.png

OpflowQNN ഉപയോഗിച്ചുള്ള റിഗ്രഷൻ

ഇനിപ്പറയുന്നവയിൽ \([-1, +1]\) എന്ന വാല്യു നൽകുന്ന ഒരു OpflowQNN ഉപയോഗിച്ച് റിഗ്രഷൻ ഞമ്മൾ പരിമിതപ്പെടുത്തുന്നു. CircuitQNN അടിസ്ഥാനമാക്കി കൂടുതൽ‌ സങ്കീർ‌ണ്ണവും മൾ‌ട്ടി-ഡൈമെൻ‌ഷനലുമായ മോഡലുകളും നിർമ്മിക്കാൻ‌ കഴിയും, പക്ഷേ അത് ഈ ട്യൂട്ടോറിയലിന്റെ വ്യാപ്തി കവിയുന്നു.

[20]:
# construct simple feature map
param_x = Parameter('x')
feature_map = QuantumCircuit(1, name='fm')
feature_map.ry(param_x, 0)

# construct simple ansatz
param_y = Parameter('y')
ansatz = QuantumCircuit(1, name='vf')
ansatz.ry(param_y, 0)

# construct QNN
regression_opflow_qnn = TwoLayerQNN(1, feature_map, ansatz, quantum_instance=quantum_instance)
[21]:
# construct the regressor from the neural network
regressor = NeuralNetworkRegressor(neural_network=regression_opflow_qnn,
                                   loss='l2',
                                   optimizer=L_BFGS_B(),
                                   callback=callback_graph)
[22]:
# create empty array for callback to store evaluations of the objective function
objective_func_vals = []
plt.rcParams["figure.figsize"] = (12, 6)

# fit to data
regressor.fit(X, y)

# return to default figsize
plt.rcParams["figure.figsize"] = (6, 4)

# score the result
regressor.score(X, y)
../_images/tutorials_02_neural_network_classifier_and_regressor_29_0.png
[22]:
0.9696567935175576
[23]:
# plot target function
plt.plot(X_, f(X_), 'r--')

# plot data
plt.plot(X, y, 'bo')

# plot fitted line
y_ = regressor.predict(X_)
plt.plot(X_, y_, 'g-')
plt.show()
../_images/tutorials_02_neural_network_classifier_and_regressor_30_0.png

വേരിയേഷൻൽ ക്വാണ്ടം റിഗ്രസർ (VQR) ഉപയോഗിച്ചുള്ള റിഗ്രഷൻ

ക്ലാസ്സിഫിക്കേഷനിനായുള്ള VQC``ക്ക് സമാനമായി, ``VQR എന്നത് OpflowQNN ഉള്ള NeuralNetworkRegressor ഒരു പ്രത്യേക വകഭേദമാണ്. സ്ഥിരസ്ഥിതിയായി ഇത് പ്രവചനങ്ങളും ടാർഗെറ്റുകളും തമ്മിലുള്ള ശരാശരി സ്ക്വയർഡ് ഇറർ (mean squared error) കുറയ്ക്കുന്നതിന് L2Loss ഫംഗ്ഷനെ പരിഗണിക്കുന്നു.

[24]:
vqr = VQR(feature_map=feature_map,
          ansatz=ansatz,
          optimizer=L_BFGS_B(),
          quantum_instance=quantum_instance,
          callback=callback_graph)
[25]:
# create empty array for callback to store evaluations of the objective function
objective_func_vals = []
plt.rcParams["figure.figsize"] = (12, 6)

# fit regressor
vqr.fit(X, y)

# return to default figsize
plt.rcParams["figure.figsize"] = (6, 4)

# score result
vqr.score(X, y)
../_images/tutorials_02_neural_network_classifier_and_regressor_33_0.png
[25]:
0.9684356876095139
[26]:
# plot target function
plt.plot(X_, f(X_), 'r--')

# plot data
plt.plot(X, y, 'bo')

# plot fitted line
y_ = vqr.predict(X_)
plt.plot(X_, y_, 'g-')
plt.show()
../_images/tutorials_02_neural_network_classifier_and_regressor_34_0.png
[27]:
import qiskit.tools.jupyter
%qiskit_version_table
%qiskit_copyright

Version Information

Qiskit SoftwareVersion
qiskit-terra0.19.0.dev0+803bd0d
qiskit-aer0.8.2
qiskit-machine-learning0.3.0
System information
Python3.9.6 (default, Aug 18 2021, 15:44:49) [MSC v.1916 64 bit (AMD64)]
OSWindows
CPUs4
Memory (Gb)11.83804702758789
Sun Aug 29 01:09:16 2021 Hora de verano romance

This code is a part of Qiskit

© Copyright IBM 2017, 2021.

This code is licensed under the Apache License, Version 2.0. You may
obtain a copy of this license in the LICENSE.txt file in the root directory
of this source tree or at http://www.apache.org/licenses/LICENSE-2.0.

Any modifications or derivative works of this code must retain this
copyright notice, and modified files need to carry a notice indicating
that they have been altered from the originals.