返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 量子人工智能 金贤敏,胡俊杰 编 专业科技 文轩网
  • 新华书店正版
    • 作者: 金贤敏、胡俊杰著
    • 出版社: 清华大学出版社
    • 出版时间:2023-06-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 金贤敏、胡俊杰著
    • 出版社:清华大学出版社
    • 出版时间:2023-06-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2023-06-01
    • 字数:378000
    • 页数:268
    • 开本:其他
    • 装帧:平装
    • ISBN:9787302619192
    • 国别/地区:中国
    • 版权提供:清华大学出版社

    量子人工智能

    作  者:金贤敏,胡俊杰 编
    定  价:79
    出 版 社:清华大学出版社
    出版日期:2023年06月01日
    页  数:536
    装  帧:精装
    ISBN:9787302619192
    主编推荐

    本书中不仅是在讨论量子人工智能这一前沿科技话题,编者们在实现应用案例的探索中也尽力选择了对开发者最友好开发方式,帮助兴趣爱好者了解量子人工智能算法设计和应用的最便捷的路径,启发更多想法和方案的诞生。

    内容简介

    量子计算与人工智能的交叉融合,促使量子人工智能的不断发展。本书旨在采用对深度学习爱好者友好的方式,构建量子人工智能应用。全书共13章,第1章和第2章系统介绍量子计算机发展脉络和量子计算编程的基础知识。第3~7章分别介绍不同的深度学习方法和在这些算法逻辑上构建量子启发算法的方式,用量子线路中的相位作为神经网络的可学习参数,重构为量子神经网络算子。这些算子可以在PyTorch环境中直接调用。第8章和第9章是量子人工智能的进阶知识,讲解不同量子算法的可行的评估方式和量子神经网络基于Torch.Script技术进行算子化的内容。第10~13章通过在原生的深度学习PyTorch环境中引入量子算法,带来可能的量子增强,并分别实现了对材料晶体结构相变过程搜索,冠状病毒RNA序列变异预测、药物虚拟筛选中亲和能的预测及基因表达药物设计等案例。本书可作为量子人工智能初学者的入门书籍,PyTorchnull

    作者简介

    金贤敏,上海交通大学长聘教授,博士生导师,集成量子信息技术研究中心主任,获上海市青年科技英才奖、全国百篇优秀博士论文奖、中国科学院百篇优秀博士论文奖,区域光纤通信网与新型光通信系统实验室学术带头人。 胡俊杰,现就职于上海交通大学集成量子信息技术研究中心,主要研究方向为在实验室光子芯片平台上进行量子模拟与量子机器学习。毕业于中国科学院大学并获得博士学位,研究方向为机器学习与材料模拟的交叉方向。

    精彩内容

    目录

    第1章量子计算和人工智能
    1.1量子计算机体系各个物理进展
    1.2量子线路介绍
    1.3量子神经网络及其应用
    参考文献
    第2章量子计算基础框架
    2.1量子计算基本概念
    2.1.1复内积空间
    2.1.2狄拉克符号
    2.1.3量子比特
    2.2矩阵的张量积
    2.3封闭量子系统中量子态的演化(酉算子)
    2.4量子门
    2.5量子电路
    2.6量子测量
    2.7密度算子
    2.8含参数的量子门表示
    2.9约化密度算子
    2.10量子信息的距离度量
    2.11经典的量子算法和工具
    第3章量子自编码网络
    3.1经典自编码网络
    3.2变分自编码网络
    3.3量子自编码网络的量子信息学基础
    3.3.1量子信息学中的偏迹运算
    3.3.2保真度与量子自编码网络的损失函数
    3.4量子自编码网络
    3.5案例
    参考文献
    第4章卷积、图、图神经网络相关算法
    4.1卷积神经网络
    4.1.1经典卷积神经网络
    4.1.2AlexNet
    4.2量子卷积神经网络
    4.2.1回顾经典卷积
    4.2.2量子卷积
    4.2.3代码实现
    4.3量子图循环神经网络
    4.3.1背景介绍
    4.3.2经典GGRU
    4.3.3基于QuGRU实现的QuGGRU
    4.3.4循环图神经网络补充介绍
    参考文献
    第5章注意力机制
    5.1注意力机制背景
    5.1.1Self-Attention
    5.1.2Multi-Head Attention
    5.1.3量子注意力机制
    5.1.4量子注意力机制的代码实现
    5.2图注意力机制
    5.2.1图注意力网络
    5.2.2经典算法的代码实现
    5.2.3量子图注意力网络
    第6章量子对抗自编码网络
    6.1经典生成对抗网络
    6.1.1生成对抗网络介绍
    6.1.2GAN的训练过程及代码
    6.1.3GAN的损失函数
    6.2量子判别器
    6.3对抗自编码网络
    6.3.1对抗自编码网络架构
    6.3.2对抗自编码网络的代码实现
    6.3.3监督的对抗自编码网络架构
    6.3.4监督的对抗自编码网络的代码实现
    6.3.5量子有监督对抗自编码网络
    第7章强化学习的概念与理论
    7.1强化学习的概念
    7.1.1什么是强化学习
    7.1.2马尔可夫决策过程
    7.2基于值函数的强化学习方法
    7.2.1基于蒙特卡洛的强化学习方法
    7.2.2基于时间差分的强化学习方法
    7.2.3基于值函数逼近的强化学习方法
    7.3基于策略的强化学习方法
    7.4基于参数化量子逻辑门的强化学习方法
    7.4.1量子态编码方法
    7.4.2Q-Policy Gradient方法
    第8章量子机器学习模型评估
    第9章基于TorchScript量子算子编译
    9.1TorchScript语义和语法
    9.1.1术语及类型
    9.1.2类型注释
    9.2PyTorch模块转换为TorchScript
    9.2.1跟踪量子及经典神经网络
    9.2.2script()方法编译量子模型及其函数
    9.2.3混合编译、跟踪及保存加载模型
    9.3Torch自动求导机制
    9.3.1自动求导机制的使用方法
    9.3.2自动求导的微分及有向无环图
    9.3.3量子算子及编译原理
    9.3.4量子求导及编译
    第10章量子StyleGAN预测新冠毒株Delta的变异结构
    10.1经典StyleGAN模型
    10.1.1移除传统输入
    10.1.2添加映射网络
    10.1.3生成网络与特征控制
    10.2StyleGAN部分代码
    10.3量子QuStyleGAN模型
    10.3.1QuStyleGAN模型构建
    10.3.2量子启发模糊卷积
    10.3.3量子渐进式训练
    10.4QuStyleGAN部分代码
    10.5QuStyleGAN生成表现
    第11章模拟材料相变过程路径搜索
    11.1建模方法
    11.2实现方案
    第12章蛋白质-生物分子亲和能力预测
    第13章基因表达
    附录A神经网络基础简介
    A.1感知机
    A.2多层感知机
    A.3神经网络
    A.4激活函数
    A.5损失函数
    A.6误差反向传播
    A.7参数更新
    A.8模型优化
     

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购