skqulacs.qnn.generation module

skqulacs.qnn.generation module#

class skqulacs.qnn.generation.QNNGeneretor(circuit: LearningCircuit, solver: Solver, karnel_type: typing_extensions.Literal[gauss, exp_hamming, same], gauss_sigma: float, fitting_qubit: int)[source]#

Bases: object

quantum circuit learningを用いて生成モデルをやる

入力無し、出力される確率分布をテストデータの確率分布に近くするのが目的

入力は、データの配列.入力はビット列を2進表記することによる整数しか受け取らない。

fit_direct_distributionは、直接確率分布を入力する。

出力は、予想される確率分布を返す。

conving(data_diff: ndarray[Any, dtype[float64]]) → ndarray[Any, dtype[float64]][source]#
cost_func(theta: List[float], train_scaled: ndarray[Any, dtype[float64]], _unused: List[Any] = []) → ndarray[Any, dtype[float64]][source]#
fit(train_data: ndarray[Any, dtype[float64]], maxiter: Optional[int] = None) → Tuple[float, List[float]][source]#
Parameters:

  • train_scaled – trainの確率分布を入力

  • maxiter – scipy.optimize.minimizeのイテレーション回数

Returns:

学習後のロス関数の値

Returns:

学習後のパラメータthetaの値

fit_direct_distribution(train_scaled: ndarray[Any, dtype[float64]], maxiter: Optional[int] = None) → Tuple[float, List[float]][source]#
predict() → ndarray[Any, dtype[float64]][source]#

予想される確率分布を、np.ndarray[float]の形で返す。

Returns:

Predicted distribution.

Return type:

data_per

Contents