paddle_quantum.gradtool
梯度分析工具的功能实现。
- show_gradient(circuit, loss_func, ITR, LR, *args)
计算量子神经网络中各可变参数的梯度值和损失函数值。
- plot_distribution(grad)
根据输入的梯度的列表，画出梯度的分布图。
- 参数:
grad (np.ndarray) – 量子神经网络某参数的梯度列表。
- random_sample(circuit, loss_func, sample_num, *args, mode, if_plot, param)
对模型进行随机采样，根据不同的计算模式，获得对应的平均值和方差。
- 参数:
备注
- 在本函数中提供了三种计算模式，
mode分别可以选择'single','max', 以及'random'。 mode=’single’: 表示计算电路中的每个可变参数梯度的平均值和方差。
mode=’max’: 表示对电路中每轮采样的所有参数梯度的最大值求平均值和方差。
mode=’random’: 表示对电路中每轮采样的所有参数随机取一个梯度，求平均值和方差。
- 返回:
包含如下两个元素： - loss_list: 损失函数值随训练次数变化的列表。 - grad_list: 各参数梯度随训练次变化的列表。
- 返回类型:
Tuple[List[float], List[float]]
- plot_loss_grad(circuit, loss_func, ITR, LR, *args)
绘制损失值和梯度随训练次数变化的图。
- plot_supervised_loss_grad(circuit, loss_func, N, EPOCH, LR, BATCH, TRAIN_X, TRAIN_Y, *args)
绘制监督学习中损失值和梯度随训练次数变化的图。
- 参数:
- 抛出:
Exception – 训练数据必须是
paddle.Tensor类型- 返回:
包含如下两个元素： - loss_list: 损失函数值随训练次数变化的列表。 - grad_list: 各参数梯度随训练次变化的列表。
- 返回类型:
Tuple[List[float], List[float]]
- random_sample_supervised(circuit, loss_func, N, sample_num, BATCH, TRAIN_X, TRAIN_Y, *args: Any, mode:='single', if_plot:=True, param:=0)
对监督学习模型进行随机采样，根据不同的计算模式，获得对应的平均值和方差。
- 参数:
circuit (Circuit) – 要训练的量子神经网络。
loss_func (Callable[[Circuit, Any], paddle.Tensor]) – 计算该量子神经网络损失值的函数。
N (int) – 量子比特的数量。
sample_num (int) – 随机采样的次数。
BATCH (int) – 训练时 batch 的大小。
TRAIN_X (paddle.Tensor) – 训练数据集。
TRAIN_Y (list) – 训练数据集的标签。
mode (string) – 随机采样后的计算模式，默认为
'single'。if_plot (boolean) – 是否对梯度进行画图，默认为
True。param (int) –
Single模式中对第几个参数进行画图，默认为0，即第一个参数。*args (Any) – 用于损失函数计算的额外参数列表。
- 抛出:
Exception – 训练数据必须是
paddle.Tensor类型
备注
- 在本函数中提供了三种计算模式，
mode分别可以选择'single','max', 以及'random'。 mode=’single’: 表示计算电路中的每个可变参数梯度的平均值和方差。
mode=’max’: 表示对电路中每轮采样的所有参数梯度的最大值求平均值和方差。
mode=’random’: 表示对电路中每轮采样的所有参数随机取一个梯度，求平均值和方差。
- 返回:
包含如下两个元素： - loss_list: 损失函数值随训练次数变化的列表。 - grad_list: 各参数梯度随训练次变化的列表。
- 返回类型:
Tuple[List[float], List[float]]