（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。

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 $f$ ，该映射的变量是输入信息 $x$ (由特征量构成的向量) ，且包含变分参数 $w$, 输出为目标信 息，形式上可写成
$$y=f(x;w)$$$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
$$f={\sigma }_2\left({\hat{W}}_2{\sigma }_1\left({\hat{W}}_{1}x+{\mathbf{b}}_1\right)+{\mathbf{b}}_2\right)$$
其中, ${\hat{W}}_n$ 为第n个全连接层的权重 (weight) 矩阵, ${\mathbf{b}}_n$ 为偏置项（bias） ${\sigma }_n$ 为激活函数。注：$x,b$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 $x$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 $\times 6$ 、$6\times 3;$ 偏置项量维数分别为6维、3维; 输出y为3 维向量。

分类结果可由argmax $\left(y_i\right)$ 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： $y$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$y$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：