(21)张量网络机器学习基本思想

张量网络机器学习基本思想

1.机器学习介绍

简单而言, 机器学习模型可以看作是一个黑盒子, 接受输入信息后,输出目标信息

在这里插入图片描述
几个常见的例子:

类别输入输出
图形识别图片信息图像分类
语言翻译语言文字译后语言文字
自动驾驶驾驶环境信息及交通规则等驾驶操作动作
棋类游戏棋盘信息及游戏规则等如何走下一步棋

更加数学地讲,机器学习模型可以看作是一个数学映射 f f f ,该映射的变量是输入信息 x x x (由特征量构成的向量) ,且包含变分参数 w w w, 输出为目标信 息,形式上可写成
y = f ( x ; w ) y=f(x ; w) y=f(x;w) y y y 为输出值构成的向量

2.神经网络介绍

机器学习中最著名的模型为神经网络, 以2层全连接层构成的前馈神经网络为例,其映射函数可以写成
f = σ 2 ( W ^ 2 σ 1 ( W ^ 1 x + b 1 ) + b 2 ) f=\sigma_{2}\left(\widehat{W}_{2} \sigma_{1}\left(\widehat{W}_{1} x+\boldsymbol{b}_{1}\right)+\boldsymbol{b}_{2}\right) f=σ2(W 2σ1(W 1x+b1)+b2)
其中, W ^ n \widehat{W}_{n} W n 为第n个全连接层的权重 (weight) 矩阵, b n \boldsymbol{b}_{n} bn偏置项(bias) σ n \sigma_{n} σn激活函数注: x , b x,b x,b为向量
注:激活函数:非线性激活函数,对每一个向量元做一个非线性的映射
具体操作: 第n层的输入向量,将与该层的权重矩阵作矩阵乘积,所得的向量加上偏置项量后,输入到该层的激活函数,最终得到的向量为该层的输出。


下图为神经网络的示意图(以三分器为例):
其中,输入 x x x为4维向量, 由4个特征 (feature) 构成, 例如4个像素值; 2层的权重矩阵维数分别为4 × 6 \times 6 ×6 6 × 3 ; 6 \times 3 ; 6×3; 偏置项量维数分别为6维、3维; 输出y为3 维向量。
在这里插入图片描述
分类结果可由argmax ( y i ) \left(y_{i}\right) (yi) 给出(argmax的意思是找y这个三维向量中最大的那个向量的指标等于几,即第几个最大)
注: y y y为三维向量如果第0个向量元最大,那么就可以认为输入图片属于第0类,第1个 y y y最大,则输入图片属于第1类等等。

3.张量网络机器学习的核心

因此,机器学习的核心要素有:
学习任务性质:分监督学习、半监督学习、非监督学习、强化学习等
模型及优化算法:神经网络、玻尔兹曼机、支持向量机、非参数模型等; 反向传播算法、贪妥更新法等
张量网络机器学习实质就是,利用张量网络建立输入到输出的映射,并使用张量网络算法实现变分参数的更新

张量网络机器学习的基本步骤
1.将数据编码/嵌入到量子希尔伯特空间(就是做一个映射)
2.利用张量网络在该空间进行映射获得输出

以图像识别为例:
在这里插入图片描述

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值