集成量子激活函数层至Keras模型遇TypeError报错求助

核心错误原因 #

• 类方法参数缺失：compute_r方法未定义self参数，调用self.compute_r(qc)时参数数量不匹配，触发TypeError。
• 返回值类型错误：call方法返回量子电路列表，而非Keras层要求的TensorFlow张量，后续全连接层无法处理非张量输入。
• 参数硬编码：__init__方法里忽略传入的num_features和output_size，直接固定为8，导致灵活性缺失。
• 硬编码量子位数：entangle_qubits里的模运算硬编码为8，应使用动态获取的量子位数。
• 张量处理缺失：未处理Keras层输入的Tensor类型，直接按numpy数组处理，可能引发类型不兼容。

修复后的完整代码 #

import numpy as np
import tensorflow as tf
from qiskit import QuantumCircuit, transpile
from qiskit_aer import AerSimulator
from tensorflow.keras.layers import Layer, Dense
from tensorflow.keras.models import Sequential

class QuantumActivationFunction(Layer):
    def __init__(self, num_features, output_size, **kwargs):
        super(QuantumActivationFunction, self).__init__(**kwargs)
        # 使用传入的参数而非硬编码
        self.num_features = num_features
        self.output_size = output_size
        # 初始化量子模拟器
        self.simulator = AerSimulator()

    def encode_data_to_qubits(self, data):
        # 处理Tensor输入，转换为numpy数组
        if tf.is_tensor(data):
            data = data.numpy()
        num_samples, num_features = data.shape
        encoded_states = []

        for i in range(num_samples):
            x = data[i]
            qc = QuantumCircuit(num_features)
            for j in range(num_features):
                angle_1 = np.arctan(x[j])
                angle_2 = np.arctan(x[j] ** 2)
                qc.h(j)
                qc.ry(angle_1, j)
                qc.rz(angle_2, j)
            encoded_states.append(qc)
        return encoded_states

    def entangle_qubits(self, qc):
        num_qubits = qc.num_qubits
        for stride in range(1, num_qubits):
            for i in range(num_qubits):
                target_qubit = (i + stride) % num_qubits
                qc.cx(i, target_qubit)  # 直接用 qubit 索引更简洁

    def compute_r(self, qc):
        # 添加self参数，修复方法定义
        for i in range(self.num_features // 2):
            qc.rz(np.pi, i)
        return qc

    def call(self, data):
        encoded_states = self.encode_data_to_qubits(data)
        results = []
        for qc in encoded_states:
            self.entangle_qubits(qc)
            self.compute_r(qc)
            # 添加测量操作，获取量子态的经典输出
            qc.measure_all()
            # 编译并运行量子电路
            compiled_qc = transpile(qc, self.simulator)
            job = self.simulator.run(compiled_qc, shots=1024)
            result = job.result()
            counts = result.get_counts()
            # 将测量结果转换为张量（这里简单统计概率分布作为输出）
            output = np.zeros(self.output_size)
            for key, val in counts.items():
                idx = int(key, 2)
                if idx < self.output_size:
                    output[idx] = val / 1024
            results.append(output)
        # 转换为TensorFlow张量返回
        return tf.convert_to_tensor(results, dtype=tf.float32)

    def compute_output_shape(self, input_shape):
        return (input_shape[0], self.output_size)

def baseline_model():
    model = Sequential()
    model.add(Dense(8, input_dim=374, activation='linear'))  # Linear layer
    model.add(QuantumActivationFunction(8, 8))  # Quantum Activation Function layer
    model.add(Dense(3, activation='softmax'))  # Output layer
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

关键修复点说明 #

1. 修复compute_r方法：添加self参数，使其符合类方法的定义规范，解决调用时的参数不匹配问题。
2. 返回张量类型：在call方法中对量子电路进行测量，将结果转换为概率分布的TensorFlow张量，确保后续层可以处理输入。
3. 参数动态化：__init__方法使用传入的num_features和output_size，替换硬编码值。
4. 量子位数动态处理：entangle_qubits中用num_qubits代替硬编码的8，适配不同的特征数量。
5. Tensor输入处理：在encode_data_to_qubits中检查输入是否为Tensor，转换为numpy数组处理，兼容Keras的输入格式。
6. 添加量子模拟器：初始化AerSimulator用于运行量子电路，获取测量结果。

内容的提问来源于stack exchange，提问作者Manasvi Prasad