TensorFlow Quantum (TFQ) 是用於量子機器學習的 Python 框架。作為應用程式框架，TFQ 讓量子演算法研究人員和 ML 應用程式研究人員能夠充分運用 Google 的量子運算框架，一切都在 TensorFlow 中完成。
TensorFlow Quantum 專注於量子資料和建構混合量子-古典模型。它提供的工具可將在 Cirq 中設計的量子演算法和邏輯與 TensorFlow 交錯使用。有效使用 TensorFlow Quantum 需要具備量子運算的基本知識。
若要開始使用 TensorFlow Quantum，請參閱安裝指南，並瀏覽一些可執行的 notebook 教學課程。
設計
TensorFlow Quantum 實作了將 TensorFlow 與量子運算硬體整合所需的組件。為此，TensorFlow Quantum 推出了兩種資料類型基本元素
- 量子電路 — 這代表 TensorFlow 內 Cirq 定義的量子電路。建立不同大小的電路批次，類似於不同實數值資料點的批次。
- 包立總和 — 代表 Cirq 中定義的包立運算子張量積的線性組合。與電路一樣，建立不同大小的運算子批次。
使用這些基本元素來表示量子電路，TensorFlow Quantum 提供下列運算
- 從電路批次的輸出分佈中取樣。
- 計算電路批次上包立總和批次的期望值。TFQ 實作了與反向傳播相容的梯度計算。
- 模擬電路和狀態的批次。雖然在真實世界中，直接檢查整個量子電路中的所有量子狀態振幅效率不高，但狀態模擬可以協助研究人員瞭解量子電路如何將狀態映射到近乎精確的程度。
在設計指南中深入瞭解 TensorFlow Quantum 的實作。
回報問題
使用 TensorFlow Quantum 問題追蹤器 回報錯誤或功能要求。