【技术实现步骤摘要】
本申请涉及量子机器学习，特别涉及一种图像分类方法、系统、电子设备及存储介质。
技术介绍
1、随着科技的发展，人工智能和机器学习已经在众多领域取得了显著的进步。然而，随着数据规模的快速增长，传统的机器学习算法在处理复杂任务时面临着巨大的计算和时间挑战。量子计算作为一种新兴的计算模型，具有在解决某些问题上超越经典计算的潜力。近年来，量子机器学习作为一种结合量子计算和机器学习的交叉学科，已经引起了广泛的关注。
2、相关技术中存在使用混合量子神经网络进行图像分类的方案，混合量子神经网络包括经典卷积神经网络和量子神经网络，但是上述混合量子神经网络线路比特数目过多，存在门电路操作过深而引起的量子态的退相干因素影响，导致图像分类的效率和精度较低。
3、因此，如何提高图像分类的效率和精度是本领域技术人员目前需要解决的技术问题。
技术实现思路
1、本申请的目的是提供一种图像分类方法、系统、电子设备及存储介质，能够提高图像分类的效率和精度。
2、为解决上述技术问题，本申请提供一种图像分类方法，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类方法包括：
3、获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
4、对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
5、拼接所有所述量子线路的输出
6、根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
7、若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
8、可选的，所述卷积神经网络模块包括卷积层、池化层和线性层；
9、相应的，利用所述卷积神经网络模块将所述样本图像转换为一维特征数据，包括：
10、利用卷积层对所述样本图像进行特征提取，利用所述池化层对所述卷积层的输出结果进行最大池化操作，得到图像特征信息；
11、利用所述线性层对所述图像特征信息进行维度变换和线性组合，得到长度为预设值的所述一维特征数据。
12、可选的，所述利用卷积层对所述样本图像进行特征提取，包括：
13、确定所述样本图像对应的像素信息矩阵；
14、若所述像素信息矩阵的行数和/或列数不为2的整数次幂，则对所述像素信息矩阵的边缘填充数值为0的元素，得到新的像素信息矩阵；其中，所述新的像素信息矩阵行数和列数均2的整数次幂；
15、利用卷积层对所述新的像素信息矩阵进行特征提取。
16、可选的，利用所述量子层模块中的多个量子线路并行处理所有所述数据片段，包括：
17、将所有所述数据片段按照预设比例分配至多个所述量子线路；
18、控制每一所述量子线路对被分配的所述数据片段进行处理；其中，每一所述量子线路均包括数据编码层、纠缠层和测量层。
19、可选的，控制每一所述量子线路对被分配的所述数据片段进行处理，包括：
20、利用所述数据编码层将被分配的所述数据片段进行单比特旋转门的相位编码操作，得到编码后的量子态；
21、利用所述纠缠层对所述编码后的量子态进行处理得到含训练参数的纠缠量子态；其中，所述纠缠层包括参数化的单比特任意旋转门和全连通的相邻两比特之间的控制非门；
22、利用所述测量层对预设数量个所述含训练参数的纠缠量子态进行全振幅测量得到单比特的泡利矩阵平均值；其中，所述全振幅测量为分别沿着泡利x矩阵方向、泡利y矩阵方向和泡利z矩阵方向测量量子态投影值的操作。
23、可选的，所述量子层模块中的所有所述量子线路分别运行在多个量子计算机；
24、相应的，在训练所述图像分类模型的过程中，还包括：
25、控制同一所述量子计算机中运行的所有所述量子线路共享训练参数。
26、可选的，拼接所有所述量子线路的输出结果得到拼接向量，包括：
27、确定每一所述数据片段在所述一维特征数据中的片段序号；
28、按照所述片段序号将所有所述数据片段对应的所述量子线路的输出结果进行拼接，得到所述拼接向量。
29、本申请还提供了一种图像分类系统，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类系统包括：
30、特征提取模块，用于获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；
31、并行处理模块，用于对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；
32、预测模块，用于拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；
33、训练模块，用于根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；
34、分类模块，用于若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
35、本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述图像分类方法执行的步骤。
36、本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述图像分类方法执行的步骤。
37、本申请提供了一种图像分类方法，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类方法包括：获取样本图像，并利用所述卷积神经网络模块将所述样本图像转换为一维特征数据；对所述一维特征数据进行切分得到多个数据片段，并利用所述量子层模块中的多个量子线路并行处理所有所述数据片段；拼接所有所述量子线路的输出结果得到拼接向量，并利用所述分类层模块输出所述拼接向量对应的类别预测结果；根据所述类别预测结果和所述样本图像的类别标签计算损失函数值，并根据所述损失函数值更新所述卷积神经网络模块和所述量子层模块的网络参数，以便训练所述图像分类模型；若收到图像识别任务，则确定所述图像识别任务对应的未知图像，并利用训练后的所述图像分类模型输出所述未知图像的图像类别。
38、本申请提供的图像分类方案基于卷积神经网络模块、量子层模块和分类层模块的图像分类模型实现。在训练图像分类模型的过程中，本申请利本文档来自技高网...
【技术保护点】
1.一种图像分类方法，其特征在于，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类方法包括：
2.根据权利要求1所述图像分类方法，其特征在于，所述卷积神经网络模块包括卷积层、池化层和线性层；
3.根据权利要求2所述图像分类方法，其特征在于，所述利用卷积层对所述样本图像进行特征提取，包括：
4.根据权利要求1所述图像分类方法，其特征在于，利用所述量子层模块中的多个量子线路并行处理所有所述数据片段，包括：
5.根据权利要求4所述图像分类方法，其特征在于，控制每一所述量子线路对被分配的所述数据片段进行处理，包括：
6.根据权利要求1所述图像分类方法，其特征在于，所述量子层模块中的所有所述量子线路分别运行在多个量子计算机；
7.根据权利要求1至6任一项所述图像分类方法，其特征在于，拼接所有所述量子线路的输出结果得到拼接向量，包括：
8.一种图像分类系统，其特征在于，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层
9.一种电子设备，其特征在于，包括：
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述图像分类方法的步骤。
...【技术特征摘要】
1.一种图像分类方法，其特征在于，应用于运行有图像分类模型的电子设备，所述图像分类模型包括卷积神经网络模块、量子层模块和分类层模块，所述图像分类方法包括：
2.根据权利要求1所述图像分类方法，其特征在于，所述卷积神经网络模块包括卷积层、池化层和线性层；
3.根据权利要求2所述图像分类方法，其特征在于，所述利用卷积层对所述样本图像进行特征提取，包括：
4.根据权利要求1所述图像分类方法，其特征在于，利用所述量子层模块中的多个量子线路并行处理所有所述数据片段，包括：
5.根据权利要求4所述图像分类方法，其特征在于，控制每一所述量子线路对被分配的所述数据片段进行处理，包括：
...【专利技术属性】
技术研发人员：熊枫，郭宇航，王维，
申请(专利权)人：量子科技长三角产业创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。