量子神经网络是基于量子力学原理的计算神经网络模型。1995年，Subhash Kak和Ron Chrisley独立发表了关于量子神经计算的第一个想法，他们致力于量子思维理论，认为量子效应在认知功能中起作用。然而，量子神经网络的典型研究涉及将经典的人工神经网络模型（在机器学习中广泛用于模式识别的重要任务）与量子信息的优势相结合，以发展更高效的算法。这些研究的一个重要动机是经典神经网络难以训练，特别是在大数据应用中更是如此。希望可以利用量子计算的特性，如量子并行性或干涉和纠缠效应作为资源。

基于QuTrunk+AI框架构建量子神经网络的解决方案，与Mindspore及paddle结合实践已经发布过相关实战的文章。而TensorFlow作为一个非常流行和重要的AI深度学习框架，QuTrunk也同样支持与之结合一起使用。本文主要介绍在AWS实验环境中使用QuTrunk结合TensorFlow来完成量子神经网络构建的实验。实验之前，我们首先介绍下本示例中使用到的两个技术资源：AWS DLAMI和TensorFlow。

1、AWS DLAMI及TensorFlow简介

1.1 AWS DLAMI

AWS提供的Amazon Deep Learning AMI（缩写为DLAMI）可以帮助用户快速的部署部署好深度学习实验环境和快速上手实验。它具有如下特点：

预装框架：DLAMI目前主要有2个主要的规格：DL Base AMI和DLAMI with conda和。DL Base AMI未安装框架，仅安装了NVIDIA CUDA和其他依赖项。DLAMI with conda则全部都包含，不仅完全配备了TensorFlow、PyTorch、Apache MXNet机器学习框架，也预先配置了NVIDIA CUDA和NVIDIA cuDNN。它使用Conda环境来隔离每个框架，用户可以在它们之间随意切换，而不用担心它们的依赖关系冲突；
预装GPU软件：即使使用仅CPU的实例，DLAMI也将具有NVIDIA CUDA和NVIDIA cuDNN。无论实例类型如何，安装的软件都相同。
模型服务和可视化：使用Conda的深度学习AMI预装了两种模型服务器，一种用于MXNet，另一种用于TensorFlow，以及TensorBoard，用于模型可视化。

1.2 TensorFlow2

TensorFlow是一个用于机器学习和人工智能的免费开源软件库。它可以用于一系列任务，但特别关注深度神经网络的训练和推理。 TensorFlow由谷歌大脑团队开发，用于谷歌内部研究和生产。初始版本于2015年根据Apache License 2.0发布。Google于2019年9月发布了TensorFlow的更新版本，名为TensorFlow 2.0。TensorFlow可用于多种编程语言，包括Python、JavaScript、C++和Java。这种灵活性适用于许多不同行业的一系列应用。

TensorFlow 2.0引入了许多变化，最重要的是TensorFlow eager，它将自动微分方案从静态计算图改变为最初由Chainer和后来的PyTorch流行的“按运行定义”方案。其他主要变化包括删除旧库、不同版本TensorFlow上的训练模型之间的交叉兼容性以及GPU性能的显著改进。

2、实验环境搭建

2.1 启动AWS Deep Learning EC2实例

2.1.1、打开EC2 Dashborad

登录AWS的管理控制台，点击右上角Region下拉菜单切换到需要创建的资源的Region，本示例使用亚太新加坡站点的资源。然后从Services选择EC2，打开EC2 Dashboard。

2.1.2、创建EC2访问密钥对

依次点击服务->计算->EC2打开EC2的主页面。首先创建好秘钥对便于后面登录到EC2，依次点击左侧导航栏的网络与安全->密钥对->创建密钥对。

完成创建后自动下载秘钥，保存好秘钥文件备用。

2.1.3、AMI选择

返回到EC2主页，选择启动实例，打开实例配置页面，先设置实例名称设置为QNNDemo_Tensor,然后选择镜像版本，搜索框输入Deep Learning进行搜索，打开镜像搜索结果页面，显示如下：

快速启动AMI中有8个搜索结果，本示例使用的是TensorFlow2，选择搜索结果中：Deep Learning AMI GPU TensorFlow 2.11.0 (Ubuntu 20.04) 20221220这个镜像。

2.1.4、实例类型确定

选定镜像后再确定需要创建的实例类型。镜像的实例类型可以在实例下面的实例类型中查询，例如查询GPU是实例类型，根据条件过滤，可以看到有如下gpu实例类型：

AWS提供了大量的实例类型可供用户选择，用户可以从经济和需求角度出发，选择合适的镜像来创建实例。对于深度学习，AWS推荐是使用GPU实例P3，P4，G3，G4，G5和G5g。各GPU实例类型的配置如下：

P3具有 8 NVIDIA Tesla V100 GPUs
P4具有8 NVIDIA Tesla A100 GPUs
G3具有4 NVIDIA Tesla M60 GPUs
G4具有4 NVIDIA T4 GPUs
G5具有o 8 NVIDIA A10G GPU
G5g则有基于Arm的 AWS Graviton2 processors。

如果经济上受限或者对于性能要求不是非常高，AWS也提供了相对经济的深度学习CPU实例和推理实例。深度学习推荐的CPU实例有三种：C5（不是所以的region都提供）、C4、C3等实例类型。

C5实例最多有72个Intel vCPU。C5实例擅长科学建模、批处理、分布式分析、高性能计算（HPC）以及机器和深度学习推理。
C4实例最多有36个Intel vCPU。

AWS推理实例旨在为深度学习模型推理工作负载提供高性能和高成本效率。具体来说，Inf1实例类型使用AWS Infentia芯片和AWS Neuron SDK，后者与TensorFlow、PyTorch和MXNet等流行的机器学习框架集成。客户可以使用Inf1实例以最低的云成本运行大规模机器学习推理应用程序，如搜索、推荐引擎、计算机视觉、语音识别、自然语言处理、个性化和欺诈检测。Amazon EC2 Inf1实例具有多达16个AWS Infentia芯片和100 Gbps的网络吞吐量。

本示例只是用于简单深度学习实验，从节省成本考虑，选用的实例类型是CPU类型，选择的是普通是t2.medium。用户也可以根据需要选择其他带GPU的实例。

2.1.5、创建和启动实例

实例类型确定后然后选择密钥对、网络设置及存储。最后点击启动示例提交创建。其他配置如下：

提交后示例创建中，待状态转变为正在运行即可开始使用。

3、量子神经网络构建

使用量子+深度学习构建量子神经网络基本流程差不多一一致，主要流程如下：

为了便于学习和理解，我们本示例程序同样采用单量子比特来构建一个简单的神经网络，构建的神经模型架构如下：

本示例模型主要由3个部分组成：

输入电路/数据点电路：前面3个门，分别为：
模型电路：后面3个门，对应分别为：
期望值电路：对线路执行PauliZ算符

3.1、环境准备

3.1.1、登录EC2实例

EC2页面选中刚才创建的这个示例，点击右键选择连接，选择ssh客户端，显示如下：

根据秘钥文件保存的目录，使用如下命令即可访问

ssh -i "qutrunk-asia.pem" ubuntu@18.141.145.32
复制代码

3.1.2、QuTrunk安装

执行如下命令安装QuTrunk最新版本到EC2环境上：

ubuntu@ip-192-168-150-172:~$ pip3 install --upgrade pip  -i https://pypi.tuna.tsinghua.edu.cn/simple
ubuntu@ip-192-168-150-172:~$ pip3 install qutrunk  -i https://pypi.tuna.tsinghua.edu.cn/simple
复制代码

QuTrunk安装完成后，在python3命令行交互模式下，测试是否安装成功：

ubuntu@ip-192-168-150-172:~$ python3
Python 3.10.7 (main, Dec 20 2022, 07:32:05) [GCC 9.4.0] on linux
Type "help", "copyright", "credits" or "license" for more information.

>>> import qutrunk
>>> qutrunk.run_check()
============QuSL instruction:===========
qreg q[2]
creg c[2]
H * q[0]
MCX(1) * (q[0], q[1])
Measure * q[0]
Measure * q[1]
===============Draw circuit=============
      ┌───┐      ┌─┐
q[0]: ┤ H ├──■───┤M├───
      └───┘┌─┴──┐└╥┘┌─┐
q[1]: ─────┤ CX ├─╫─┤M├
           └────┘ ║ └╥┘
 c: 2/════════════╩══╩═
                  0  1
==========circuit running result=========
[{"0b00": 57}, {"0b11": 43}]
===========circuit running info==========
{"backend": "BackendLocal", "task_id": "7478c36b8ec941dbaed9b14f64a854a3", "status": "success", "arguments": {"shots": 100}}
qutrunk v0.2.0 is installed successfully! You can use QuTrunk now.
复制代码

3.1.3、Jupyter Notebook Server设置

为方便测试，本实验在JupyterNotebook环境下进行验证，DLAMI环境上已经安装Jupyter Notebook，只需进行简单的配置和启动即可。

1、设置Jupyter server

首先设置首选密码：

ubuntu@ip-192-168-150-172:~$ jupyter notebook password
Enter password:
Verify password:
[NotebookPasswordApp] Wrote hashed password to /home/ubuntu/.jupyter/jupyter_notebook_config.json
复制代码

2、启动upyter notebook server

我们可以通过如下命令开启一个支持远程访问的jupyter notebook：

$ jupyter notebook  --ip=0.0.0.0
复制代码

然后我们就可以在本地PC上访问了，打开浏览器，输入EC2的公网IP:8888即可访问，打开登录界面:

输入刚设置的密码登录到环境，点击新建按钮，然后选择Python3

打开实验页面就可以开始基于QuTrunk的量子计算与深度学习框架结合的程序的开发了

3.2、程序实现

3.2.1 环境设置

安装完成后，设置程序使用的环境：

import random

import numpy as np
import tensorflow as tf
from matplotlib import pyplot as plt

from qutrunk.circuit import QCircuit
from qutrunk.circuit.gates import Rx, Ry, Rz, PauliZ
复制代码

3.2.2、定义量子线路相关函数

根据前面模型设计，主要包含3个神经网络组成部分的量子线路函数，还有一个量子线路合并函数

数据点电路函数如下：

def datapoint_circuit(rotations):
    beta0, beta1, beta2 = [float(f) for f in rotations]
    circuit = QCircuit()
    qreg = circuit.allocate(1)
    Rx(beta0) * qreg[0]
    Ry(beta1) * qreg[0]
    Rz(beta2) * qreg[0]
    return circuit
复制代码

模型电路函数定义：

def model_circuit():
    circuit = QCircuit()
    q = circuit.allocate(1)
    angles = ["theta-1", "theta-2", "theta-3"]
    params = circuit.create_parameters(angles)

    Rz(params[0]) * q[0]
    Ry(params[1]) * q[0]
    Rx(params[2]) * q[0]

    return circuit
复制代码

期望值函数定义：

def expectation():
    circuit = QCircuit()
    qreg = circuit.allocate(1)
    return PauliZ(qreg[0])
复制代码

最后是电路组合函数定义：

def join_circuit(datapoint_cir, model_cir, inputs):
    params = {"theta-" + str(i): inputs[i] for i in range(len(inputs))}
    model_cir = model_cir.bind_parameters(params)
    datapoint_cir.append_circuit(model_cir)
    return datapoint_cir
复制代码

3.2.3、定义梯度计算类

采用梯度下降的算法训练量子神经网络，为了方便调用，本示例将梯度计算定义为一个类

class CustomGradientTape:
    def __init__(self, inputs, exp_op, shift=np.pi / 2):
        self.inputs = inputs
        self.exp_op = exp_op
        self.shift = shift

    def gradient(self, loss, var_list):
        params = [var.numpy() for var in var_list]

        gradients = []
        for i in range(len(params)):
            shift_right = np.copy(params)
            shift_right[i] += self.shift
            shift_left = np.copy(params)
            shift_left[i] -= self.shift

            circuit = join_circuit(datapoint_circuit(self.inputs), model_circuit(), shift_right)
            expectation_right = -1 * circuit.expval_pauli(self.exp_op)

            circuit = join_circuit(datapoint_circuit(self.inputs), model_circuit(), shift_left)
            expectation_left = -1 * circuit.expval_pauli(self.exp_op)

            gradient = expectation_right - expectation_left
            gradients.append(tf.convert_to_tensor(gradient, dtype=tf.float32))
        return gradients
复制代码

3.2.4、自定义层类

自定义层类包含了损失函数的定义，返回为迭代训练后的损失值

class ControlledPQC(tf.keras.layers.Layer):

    def __init__(self, optimizer, exp_op, var_list, grad):
        super(ControlledPQC, self).__init__()
        self.optimizer = optimizer
        self.exp_op = exp_op
        self.var_list = var_list

        self.grad = grad

    def call(self, inputs):
        params_list = [var.numpy() for var in self.var_list]
        circuit = join_circuit(datapoint_circuit(inputs), model_circuit(), params_list)
        loss = -1 * circuit.expval_pauli(self.exp_op)
        self.optimizer.minimize(loss, self.var_list, self.grad)

        return loss
复制代码

3.2.5、模型设置及训练

首先根设置预先定义的参数，然后通过TensorFlow的Adam优化器优化上面的量子神经网络,，通过调整迭代次数ITR和学习率 LR重新计算以使得这两个值达到非常接近。初始化设置如下：

ITR = 200
LR = 0.02
rand = random.Random()
random_rotations = tf.convert_to_tensor(np.random.uniform(0, 2 * np.pi, 3))
op = expectation()

opt = tf.keras.optimizers.Adam(learning_rate=LR)
复制代码

迭代循环计算和打印损失值。

control_params = [tf.Variable(rand.uniform(0, 2 * np.pi)) for _ in range(3)]
model = ControlledPQC(opt, op, control_params, CustomGradientTape(random_rotations, op))

loss_list = []
for it in range(ITR):
    ls = model(random_rotations)
    loss_list.append(ls)
    if it % 10 == 0:
        print(f"{it}: {ls:.4f}")
复制代码

运行后输出的结果如下：

0: -0.2399
10: -0.6203
20: -0.8689
30: -0.9746
40: -0.9969
50: -0.9967
60: -0.9973
70: -0.9991
80: -0.9999
90: -1.0000
100: -1.0000
110: -1.0000
120: -1.0000
130: -1.0000
140: -1.0000
150: -1.0000
160: -1.0000
170: -1.0000
180: -1.0000
190: -1.0000
复制代码

从结果可以看到经过130次迭代之后损失值逐渐收敛到-1。

3.2.6、结果展示

为了更形象的展示训练结果，我们使用plot打印其曲线，实现方式如下：

plt.plot(loss_list)
plt.title("Learning to Control a Qubit")
plt.xlabel("Iterations")
plt.ylabel("loss")
复制代码

输出的结果如下：

4、总结

本文章详细展示了使用AWS的DLAMI快速部署出深度学习的实验环境，并使用QuTrunk与AI框架TensorFlow结合完成构建量子神经网络的实验和输出测试结果，为量子计算+深度学习的开发者用户提供了一个简单的入门学习示例。

QuTrunk是启科量子发布的一个开源的、灵活方便使用的、可以与各种考虑开源AI框架结合使用的量子编程框架。通过本文的展示，读者对量子编程+AI框架结合使用的方法有了基本了解，读者也可以访问启科开发者社区，深入了解QuTrunk的特性以便使用QuTrunk+AI的解决方案解决实际应用的中问题。更多的信息请点击QuSaaS：启科开发者平台

启科量子解决方案实践：使用 QuTrunk+AWS Deep Learning AMI（TensorFlow2）构建量子神经网络