# SEQNN

**Repository Path**: richybai/seqnn

## Basic Information

- **Project Name**: SEQNN
- **Description**: The code of the paper Superposition-enhanced quantum neural network for multi-class image classification, which has been accepted by Chinese Journal of Physics.
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 0
- **Created**: 2023-05-05
- **Last Updated**: 2025-08-05

## Categories & Tags

**Categories**: machine-learning

**Tags**: None

## README

# SEQNN

The code of the paper [Superposition-enhanced quantum neural network for multi-class image classification](https://doi.org/10.1016/j.cjph.2024.03.026), which has been accepted by **Chinese Journal of Physics**.

本代码主要是使用多个二分类器完成多分类任务

创新点有：
1. 为了绕过线性分类器的问题，使用了one vs all，没有添加带参数的经典网络
2. 为了平衡样本，采用了superposition方式。指定的是固定的系数，相当于在特征空间中做变换（还可以直接从图像空间切换到角度空间）
3. QNN circuit design，旋转角度，+ entanglement alternatively + measurement at the final qubit.
4. amplitude encoding， reduce the quantum resource needed for tasks. 

行文思路是，设计了一个可以准确二分类的网络。为了多分类，避免线性分类难度，superposition。

## 数据预处理
需要将图像转化为AmplitudeEncoding的角度。

### src2image.ipynb
数据集包括
1. MNIST 70000, 样本有多有少, 测试集取1000, 剩下的训练
2. Fashion MNIST, 70000, 1000测试, 6000训练
3. CIFAR10, 60000, 1000测试, 5000训练
其中image保存成了np.int32
每一个数据文件夹下，都有train_image.npy 和 test_image.npy

### image2angle.py
把图像向量转化为角度向量。输入文件路径, 保存路径
每一个数据集要完成三种转换, positive标签是1, negative标签是-1
1. 把图片直接转换为angle保存, train test都要转换 convert_angle (train_angle.npy, test_angle.npy)
2. 把转换后的angle分成十组, 对应十个二分类mixup起来保存, 只需要转换train angle_mixup (angle_mixup.npy)
3. 把图片分成十组mixup之后, 再转换为角度保存, 只需要转换train mixup_angle (mixup_angle.npy)
需要注意的是，MNIST数据集是28x28的，CIFAR10是32x32，转换cifar时要输入origin=32，代码中默认为28。

### image_superposition.ipynb
1. 分别画出了mixup图像和angle后再转图像的结果，肉眼是直接mixup好
2. 计算每类中心点, 低维可视化, 并计算互相之间的余弦相似度, 以及1v9的余弦相似度。
3. 对fashion mnist 数据集也做了上述操作

### src.utils_data.py 
数据处理以及数据加载的函数
1. 数据集加载 load_mnist, 以及load_cifar10
2. 使用BILINEAR插值方法 完成图像的resize resize_image_batch, 加入了origin resize shape, 适配cifar10输入32
3. 把向量数据转化为amplitude encoding里面的角度 convert_data_2_angles
4. 使用zip在一起的数据生成MS的GeneratorDataset对象 create_dataset
5. 从convert_and_mixup生成的数据中加载训练需要用到的数据, extract_data, 可以设置加载样本数目
6. 实现extract_data_biased, 实现不均衡数据训练，对比superposition结果


## 二分类

### src.utils_qnn.py
1. 生成振幅编码线路: gene_amplitude_encoder 
2. 生成RZ RY RZ + CX纠缠的线路 gene_cx_layer
3. 生成RZ RY RZ + CRY纠缠的线路 gene_cRy_layer
4. QNNLayer类，可控参数有：
    - 数据输入维度 dim，
    - 纠缠层的类型 layer_type "cx" 或 "cRy", 
    - 层数 num_layers, 
    - 测量前是否有旋转门 final_ry=False
    - 模拟器后端（mindquantum从8.0之后实现了"mqvector"支持）, backend="mqvector"

### qnn_binary.py
实现二分类, 把train包装成函数, 并写好log输出, 循环对45种二分类跑结果。
里面已经包含了测试集上的performance
主要resize, epoch是可调节的内容

运行时，需要在命令行指定参数，
1. dataset: mnist or fashion
2. resize: 4, 8, 16, 32
3. finalry: 1-true or 0-false

### qnn_binary_.py
不设置final_ry参数，先训练好不带ry的之后，再fine-tun一下。fine-tune的结果不会变化

### src.utils_polt.py
1. 从result中加载对应的数据, 转化为画heatmap的形状, load_acc
2. 只针对二分类的45个结果, 画heatmap图。plot_heatmap
3. 给定数据path, 画acc变化曲线, loss变化曲线


### plot.ipynb
1. 画二分类的45个结果的热力图。load_acc + plot_heatmap
2. 画当前路径数据的epoch变化曲线 plot_epoch


## 多分类
创建多个而二分类器，使用superposition之后的数据进行训练
MNIST 数据集使用的是16分辨率，Fashion MNIST使用的是32分辨率

### qnn_multi.py 
实现使用多个二分类器进行多分类, 写好log输出, 并保存模型。
只有每一个二分类模型对训练集的结果, 整体的测试结果在eval.py中写。

运行时，需要在命令行指定参数，
1. dataset: mnist or fashion
2. resize: 4, 8, 16, 32
3. finalry: 1-true or 0-false
4. datatype: MA or AM


### eval_multi.py
实现多分类器的测试集验证。

运行时，需要在命令行指定参数，
1. dataset: mnist or fashion
2. resize: 4, 8, 16, 32
3. finalry: 1-true or 0-false
4. datatype: MA or AM


### qnn_multi_biased.py 
实现使用多个二分类器进行多分类, 写好log输出, 并保存模型。
只有每一个二分类模型对训练集的结果, 整体的测试结果在eval.py中写。

运行时，需要在命令行指定参数，
1. dataset: mnist or fashion
2. resize: 4, 8, 16, 32
3. finalry: 1-true or 0-false


### eval_multi_biased.py
实现多分类器的测试集验证。

运行时，需要在命令行指定参数，
1. dataset: mnist or fashion
2. resize: 4, 8, 16, 32
3. finalry: 1-true or 0-false

## Citation
If you find our work helpful, feel free to give us a cite.
```
@article{BAI2024378,
title = {Superposition-enhanced quantum neural network for multi-class image classification},
journal = {Chinese Journal of Physics},
volume = {89},
pages = {378-389},
year = {2024},
issn = {0577-9073},
doi = {https://doi.org/10.1016/j.cjph.2024.03.026},
url = {https://www.sciencedirect.com/science/article/pii/S0577907324001151},
author = {Qi Bai and Xianliang Hu}
}
```