基于机器学习框架的迁移学习方法及相关装置制造方法及图纸

本发明专利技术公开了一种基于机器学习框架的迁移学习方法及相关装置，本发明专利技术通过调用经典模块基于求解源任务的第一机器学习模型构建经典特征提取器，以及调用量子模块构建量子特征提取器；构建包括所述经典特征提取器和所述量子特征提取器的第二机器学习模型；将目标数据输入至所述第二机器学习模型以实现目标任务的求解，所述目标任务与所述源任务相关联，有利于提高迁移学习模型的运行速度。利于提高迁移学习模型的运行速度。利于提高迁移学习模型的运行速度。

【技术实现步骤摘要】
基于机器学习框架的迁移学习方法及相关装置


[0001]本专利技术属于量子计算
，特别是涉及一种基于机器学习框架的迁移学习方法及相关装置。

技术介绍

[0002]机器学习的准确性基于对大量的样本数据进行学习，然而现实中常常存在目标任务样本量不足的情况，受到生物智能的启发，机器学习引入了迁移学习。迁移学习是指一种学习对另一种学习的影响，或习得的经验对完成其他活动的影响。例如我们学习第二语言并不是从零开始，而是利用之前的语言知识；又例如，用来辨识汽车的知识也可以用来提升识别卡车的能力。
[0003]经典的迁移学习是选择一个与目标任务关联的源任务的机器学习模型，然后对该机器学习模型进行微调，以使得其适应目标任务。经典的迁移学习机器模型运行速度慢，难以满足日益对结果实时性的要求。

技术实现思路

[0004]本专利技术的目的是提供一种基于机器学习框架的迁移学习方法及相关装置，旨在提高迁移学习模型的运行速度。
[0005]本专利技术的一个实施例提供了一种基于机器学习框架的迁移学习方法，所述机器学习框架包括经典模块和量子模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习框架的迁移学习方法，其特征在于，所述机器学习框架包括经典模块和量子模块，所述方法包括：调用所述经典模块基于求解源任务的第一机器学习模型构建经典特征提取器，以及调用所述量子模块构建量子特征提取器；构建包括所述经典特征提取器和所述量子特征提取器的第二机器学习模型；将目标数据输入至所述第二机器学习模型以实现目标任务的求解，所述目标任务与所述源任务相关联。2.如权利要求1所述的方法，其特征在于，所述调用所述经典模块基于求解源任务的第一机器学习模型构建经典特征提取器，包括：获取训练好的求解源任务的第一机器学习模型，以及删除所述第一机器学习模型中与所述目标任务无关的经典神经网络层，得到经典特征提取器。3.如权利要求1所述的方法，其特征在于，所述量子模块包括量子态编码逻辑门单元、量子态演化逻辑门单元和量子测量子模块；所述调用所述量子模块构建量子特征提取器，包括：调用所述量子态编码逻辑门单元构建数据编码量子线路，所述数据编码量子线路用于将所述经典特征提取器的输出编码至量子比特的初始态；调用所述量子态演化逻辑门单元构建可变分量子线路，所述可变分量子线路用于将所述初始态演化至目标态；调用所述量子测量子模块构建测量量子线路，所述测量量子线路用于测量所述量子比特，得到所述目标数据的特征。4.如权利要求3所述的方法，其特征在于，所述调用所述量子态演化逻辑门单元构建可变分量子线路，包括：调用所述量子态演化逻辑门单元构建嵌入层、旋转层和纠缠层，以及将所述嵌入层、所述旋转层和所述纠缠层级联，得到可变分量子线路，所述嵌入层用于将所述初始态演化为叠加态，所述旋转层用于将所述叠加态演化为随机态，所述纠缠层用于使多个所述随机态产生纠缠，得到目标态。5.如权利要求4所述的方法，其特征在于，所述嵌入层包括H门，所述旋转层包括单量子旋转...

【专利技术属性】
技术研发人员：窦猛汉，方圆，周照辉，王伟，李蕾，
申请(专利权)人：合肥本源量子计算科技有限责任公司，
类型：发明
国别省市：