TensorFlow Quantum (TFQ) 是一个用于 量子机器学习 的 Python 框架。作为应用程序框架，TFQ 允许量子算法研究人员和 ML 应用程序研究人员利用 Google 的量子计算框架，所有这些都来自 TensorFlow。
TensorFlow Quantum 专注于量子数据和构建混合量子经典模型。它提供了将 Cirq 中设计的量子算法和逻辑与 TensorFlow 交织在一起的工具。有效使用 TensorFlow Quantum 需要对量子计算有基本的了解。
要开始使用 TensorFlow Quantum，请参阅 安装指南 并阅读一些可运行的 笔记本教程。
设计
TensorFlow Quantum 实施了将 TensorFlow 与量子计算硬件集成的所需组件。为此，TensorFlow Quantum 引入了两个数据类型基元
- 量子电路 —这表示 TensorFlow 中的 Cirq 定义的量子电路。创建不同大小的电路批次，类似于不同实值数据点的批次。
- 泡利和 — 表示 Cirq 中定义的泡利算符张量积的线性组合。与电路类似，创建不同大小的算符批次。
TensorFlow Quantum 使用这些基元来表示量子电路，并提供以下运算
- 从电路批次的输出分布中采样。
- 计算电路批次中泡利和批次的期望值。TFQ 实现了反向传播兼容的梯度计算。
- 模拟电路和状态批次。虽然在现实世界中，直接检查整个量子电路中的所有量子态振幅在规模上是低效的，但状态模拟可以帮助研究人员了解量子电路如何将状态映射到接近精确的精度级别。
在 设计指南 中阅读有关 TensorFlow Quantum 实现的更多信息。
报告问题
使用 TensorFlow Quantum 问题跟踪器 报告错误或功能请求。