CN116912556A - 图片分类方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请适用于图片分类技术领域，提供了图片分类方法、装置、电子设备及存储介质。方法包括：获取待分类图片；对待分类图片进行特征提取和降维处理，得到待分类图片对应的目标特征向量；将目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个量子神经网络层的分类结果；根据每个量子神经网络层的分类结果，确定待分类图片的最终分类结果。本申请能够通过多个具有少量量子比特的量子神经网络层对特征向量进行处理从而得到图片分类结果，以达到通过具有大量量子比特的量子神经网络层进行处理所能得到的图片分类效果，因此能够在量子芯片所能支持的量子比特受限的情况下提高通过经典量子混合神经网络进行图片分类的效果。

Description

图片分类方法、装置、电子设备及存储介质

技术领域

本申请属于图像分类技术领域，尤其涉及一种图片分类方法、装置、电子设备及存储介质。

背景技术

目前，经典量子混合神经网络在图像分类领域的应用越来越广泛，其中，经典量子混合神经网络可以通过将经典神经网络和量子神经网络进行组合得到。

然而，经典量子混合神经网络的性能受限于量子芯片能够支撑的量子比特的多少，量子芯片能够支撑的量子比特的数量越多，则经典量子混合神经网络的性能越好。由于目前的量子芯片能够支撑的量子比特的数量是有限的，因此导致现有的经典量子混合神经网络的性能较低，最终导致现有的通过经典量子混合神经网络进行图片分类的效果较差。

发明内容

有鉴于此，本申请实施例提供了一种图片分类方法、装置、电子设备及存储介质，以解决现有的通过经典量子混合神经网络进行图片分类的效果较差的技术问题。

第一方面，本申请实施例提供一种图片分类方法，包括：

获取待分类图片；

对所述待分类图片进行特征提取和降维处理，得到所述待分类图片对应的目标特征向量；

将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个所述量子神经网络层的分类结果；

根据每个所述量子神经网络层的分类结果，确定所述待分类图片的最终分类结果。

可选的，所述对所述待分类图片进行特征提取和降维处理，得到所述待分类图片对应的目标特征向量，包括：

将所述待分类图片输入至已训练的特征提取网络进行特征提取和降维处理，得到所述目标特征向量；

其中，所述特征提取网络包括第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层；所述将所述待分类图片输入至已训练的特征提取网络进行特征提取和降维处理，得到所述目标特征向量，包括：

将所述待分类图片输入至所述第一卷积层进行特征提取和降维处理，得到第一特征向量；

将所述第一特征向量输入至所述第一池化层进行降维处理，得到第二特征向量；

将所述第二特征向量输入至所述第二卷积层进行特征提取处理，得到第三特征向量；

将所述第三特征向量输入至所述第二池化层进行降维处理，得到第四特征向量；

通过所述全连接层将所述第四特征向量转化成N个M维特征向量，并将所述N个M维特征向量确定为所述目标特征向量，N表示预设的图片类别数量,M的取值根据各个所述量子神经网络具有的量子比特数量确定。

可选的，所述将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，包括：

将所述N个一维特征向量中的每两个一维特征向量分别输入至一个所述量子神经网络层进行分类处理。

可选的，所述特征提取网络和所述多个量子神经网络层通过以下方式训练优化：

获取已标注类别标签的样本图像；

获取所述样本图像经过所述特征提取网络和所述多个量子神经网络层进行分类处理后得到的样本分类结果；

根据所述样本分类结果和所述类别标签，通过反向传播的方式调整所述特征提取网络的参数和所述多个量子神经网络层的参数。

可选的，所述特征提取网络的参数包括全连接层的转化参数，每个所述量子神经网络层均包括变分线路子网络，所述根据所述样本分类结果和所述类别标签，通过反向传播的方式调整所述特征提取网络的参数和所述多个量子神经网络层的参数，包括：

根据所述样本分类结果和所述类别标签，通过反向传播的方式调整所述全连接层的转化参数，以及调整每个所述量子神经网络层的变分线路子网络中的逻辑门的旋转角度。

可选的，每个所述量子神经网络层均包括量子态制备子网络、变分线路子网络和测量子网络，令目标量子神经网络层为任意的一个所述量子神经网络层，所述将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个所述量子神经网络层的分类结果，包括：

通过所述目标量子神经网络层的量子态制备子网络将所述目标特征向量按照预设次序编码至指定的逻辑门的旋转角度中，得到所述目标特征向量对应的量子态，所述指定的逻辑门为所述目标量子神经网络层的量子态制备子网络中设有的逻辑门；

通过所述目标量子神经网络层的变分线路子网络对所述量子态进行变分处理，得到变分后的所述量子态；

通过所述目标量子神经网络层的测量子网络对变分后的所述量子态进行测量处理，得到测量结果，并根据所述测量结果确定所述目标量子神经网络层的分类结果。

通过所述目标量子神经网络层的测量子网络对变分后的所述量子态进行测量处理，得到测量结果，并根据所述测量结果确定所述目标量子神经网络层的分类结果。

可选的，所述根据每个所述量子神经网络层的分类结果，确定所述待分类图片的最终分类结果，包括：

将每个所述量子神经网络层的分类结果的平均值确定为所述待分类图片的最终分类结果。

第二方面，本申请实施例提供一种图片分类装置，包括：

第一获取单元，用于获取待分类图片；

特征提取和降维单元，用于对所述待分类图片进行特征提取和降维处理，得到所述待分类图片对应的目标特征向量；

分类单元，用于将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个所述量子神经网络层的分类结果；

第一确定单元，用于根据每个所述量子神经网络层的分类结果，确定所述待分类图片的最终分类结果。

第三方面，本申请实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述图片分类方法中的各步骤。

第四方面，本申请实施例提供一种计算机可读存储介质所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的图片分类方法中的各步骤。

第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行如上述第一方面任一项所述的图片分类方法中的各步骤。

本申请实施例提供的图片分类方法、装置、设备及介质具有以下有益效果：

本申请实施例提供的图片分类方法，通过获取待分类图片，进而对待分类图片进行特征提取和降维处理，得到待分类图片对应的目标特征向量，再将目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个量子神经网络层的分类结果，最终根据每个量子神经网络层的分类结果，确定待分类图片的最终分类结果。采用本申请实施例提供的图片分类方法，可以通过多个具有少量量子比特的量子神经网络层对特征向量进行处理从而得到图片分类结果，以达到通过具有大量量子比特的量子神经网络层进行处理所能得到的图片分类效果，因此通过本申请实施例提供的图片分类方法能够在量子芯片所能支持的量子比特受限的情况下提高通过经典量子混合神经网络进行图片分类的效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种图片分类方法的实现流程图；

图2为本申请实施例提供的一种特征提取网络的结构示意图；

图3为本申请实施例提供的一种得到目标特征向量的实现流程图；

图4为本申请实施例提供的一种量子神经网络层的结构示意图；

图5为本申请实施例提供的一种得到每个量子神经网络层的分类结果的流程示意图；

图6为本申请实施例提供的一种进行训练优化的实现流程图；

图7为本申请实施例提供的一种图片分类装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

需要说明的是，本申请实施例使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。在本申请实施例的描述中，除非另有说明，“多个”是指两个或多于两个，“至少一个”、“一个或多个”是指一个、两个或两个以上。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”特征可以明示或者隐含地包括一个或者更多个该特征。

在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的一种图片分类方法的执行主体可以为电子设备。电子设备可以包括于手机、平板电脑、笔记本电脑、台式电脑以及图片分类装置等。

本申请实施例提供的一种图片分类方法可以应用于通过所能支持的量子比特较少的量子芯片，来获取分类效果较好的待分类图片的最终分类结果。

具体的，当用户需要通过所能支持的量子比特较少的量子芯片来获取分类效果较好的待分类图片的最终分类结果时，可以通过电子设备执行本申请实施例提供的图片分类方法的各个步骤，从而能够通过所能支持的量子比特较少的量子芯片，来获取分类效果较好的待分类图片的最终分类结果。

判断分类效果可以通过相应的指标来确定，作为示例而非限定，判断分类效果相应的指标可以包括分类准确率和分类速度。

请参阅图1，图1为本申请实施例提供的一种图片分类方法的实现流程图，该图片分类方法可以包括S101～S104，详述如下：

在S101中，获取待分类图片。

在本申请实施例中，电子设备可以先获取待分类图片。其中，待分类图片可以为用户输入至电子设备中的，也可以为电子设备通过预设方式从预设存储位置获取的。此处对于获取待分类图片的具体方法不作具体限定。

为了实现更好的图片分类结果，可以预先设置待分类图片的最小像素阈值。其中，待分类图片的最小像素阈值可以根据实际需求设置，示例性的，可以将待分类图片的最小像素阈值设置为150*150。基于此，电子设备获取到的待分类图片的像素应大于待分类图片的最小像素阈值，如大于150*150。电子设备在获取待分类图片之前，可以先获取待分类图片的像素，若待分类图片的像素小于预先设置的待分类图片的最小像素阈值，则可以不获取该待分类图片。

在一种可能的实现方式中，在S101之后，可以还包括步骤a。其中：

在步骤a中，对待分类图片进行降维处理，以将待分类图片的像素调整为最小像素阈值。

在本实现方式中，为了更方便地实现后续步骤，如对待分类图片进行特征提取和降维处理，得到待分类图片对应的目标特征向量的步骤，在通过特征提取网络对待分类图片进行特征提取和降维处理之前，可以先对待分类图片预先进行降维处理，以将待分类图片的像素调整为最小像素阈值。如将各个待分类图片的像素调整为150*150。

在S102中，对待分类图片进行特征提取和降维处理，得到待分类图片对应的目标特征向量。

在本申请实施例中，电子设备在获取待分类图片之后，可以对待分类图片进行特征提取和降维处理，得到待分类图片对应的目标特征向量。

在一种可能的实现方式，可以将待分类图片输入至已训练好的特征提取网络中进行特征提取和降维处理，得到目标特征向量。其中，特征提取网络可以为经典神经网络。

具体的，如图2所示，图2为本申请实施例提供的一种特征提取网络的结构示意图，该特征提取网络2可以包括第一卷积层21、第一池化层22、第二卷积层23、第二池化层24以及全连接层25，其中，第一卷积层21与第一池化层22连接，第一池化层22与第二卷积层23连接，第二卷积层23与第二池化层24连接，第二池化层24与全连接层25连接，全连接层25与各个量子神经网络层连接。

在本实现方式中，可以通过如图3所示的S201～S205来得到目标特征向量，图3为本申请实施例提供的一种得到目标特征向量的实现流程图。详述如下：

在S201中，将待分类图片输入至第一卷积层进行特征提取和降维处理，得到第一特征向量。

在本实现方式中，电子设备在得到像素为最小像素阈值的待分类图片后，可以将该像素为最小像素阈值的待分类图片输入至特征提取网络的第一卷积层中，通过该第一卷积层对该待分类图片进行特征提取和降维处理，得到第一特征向量。

在S202中，将第一特征向量输入至第一池化层进行降维处理，得到第二特征向量。

在本实现方式中，电子设备在得到第一特征向量后，可以将第一特征向量输入至特征提取网络的第一池化层中，通过第一池化层进行降维处理，得到第二特征向量。

在S203中，将第二特征向量输入至第二卷积层进行特征提取处理，得到第三特征向量。

在本实现方式中，电子设备在得到第二特征向量后，可以将第二特征向量输入至特征提取网络的第二卷积层中，通过第二卷积层进行特征提取处理，得到第三特征向量。

在S204中，将第三特征向量输入至第二池化层进行降维处理，得到第四特征向量。

本实现方式中，电子设备在得到第三特征向量后，可以将第三特征向量输入至特征提取网络的第二池化层中，通过第二池化层进行降维处理，得到第四特征向量。

在S205中，通过全连接层将第四特征向量转化成N个M维特征向量，并将N个M维特征向量确定为目标特征向量，N表示预设的图片类别数量，M的取值根据各个所述量子神经网络具有的量子比特数量确定。

本实现方式中，电子设备在第四特征向量后，可以将第四特征向量输入至特征提取网络的全连接层中，通过全连接层将第四特征向量转化成N个M维特征向量，并将N个M维特征向量确定为目标特征向量。

其中，N表示预设的图片类别数量。预设的图片类别数量可以根据实际需求设置，此处不作限定。示例性的，预设的图片类别数量可以为4，当预设的图片类别数量为4时，则可以通过全连接层将第四特征向量转化成4个M维特征向量，并将4个M维特征向量确定为目标特征向量，以此类推。

其中，M的取值可以根据各个量子神经网络具有的量子比特数量确定。示例性的，各个量子神经网络具有的量子比特数量可以都为2，因此，各个量子神经网络能够接收的特征向量的最大维数为2，因此可以将M的取值确定为2，基于此，可以通过全连接层将第四特征向量转化为N个二维特征向量，并将N个二维特征向量确定为目标向量。示例性的，各个量子神经网络具有的量子比特数量可以都为1，因此，各个量子神经网络能够接收的特征向量的最大维数为1，因此可以将M的取值确定为1，基于此，可以通过全连接层将第四特征向量转化为N个一维特征向量，并将N个一维特征向量确定为目标向量。

在本申请实施例中，各个量子神经网络具有的量子比特数量由各个量子神经网络所对应的量子芯片确定，示例性的，各个量子神经网络所对应的量子芯片的比特数为2，则各个量子神经网络具有的量子比特数量为2；各个量子神经网络所对应的量子芯片的比特数为1，则各个量子神经网络具有的量子比特数量为1。

在S103中，将目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个量子神经网络层的分类结果。

在本申请实施例中，电子设备在将N个M维特征向量确定为目标特征向量后，可以将该目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个量子神经网络层的分类结果。

在一种可能的实现方式中，可以将N个M维特征向量中的每一个M维特征向量分别输入至一个量子神经网络层进行分类处理。

示例性的，当目标特征向量包括4个二维特征向量(第一二维特征向量、第二二维特征向量、第三二维特征向量以及第四二维特征向量)时，可以将第一二维特征向量输入至第一量子神经网络层中进行分类处理，可以将第二二维特征向量输入至第二量子神经网络层中进行分类处理，可以将第三二维特征向量输入至第三量子神经网络层中进行分类处理，可以将第四二维特征向量输入至第四量子神经网络层中进行分类处理，从而分别得到第一量子神经网络层、第二量子神经网络层、第三量子神经网络层以及第四量子神经网络层各自对应的分类结果。

以上可以看出，当量子芯片的比特数受限时，如一个芯片只有M个比特，则每个量子神经网络具有的量子比特数量为M，因此可以将第四特征向量分解为N个M维特征向量，并将每个M维特征向量分别输入至一个量子神经网络进行分类处理从而得到每个量子神经网络层对应的分类结果，从而能够通过多个具有少量量子比特的量子神经网络层就可以达到具有大量量子比特的量子神经网络层所能得到的图片分类结果。

在将N个一维特征向量中的每两个一维特征向量分别输入至一个量子神经网络层进行分类处理后，可以得到每个量子神经网络层的分类结果。其中，每个量子神经网络层的分类结果可以相同，也可以不同，需根据实际情况而定。

在一种可能的实现方式中，如图4所示，图4为本申请实施例提供的一种量子神经网络层的结构示意图，每个量子神经网络层均包括量子态制备子网络41、变分线路子网络42和测量子网络43。其中，量子态制备子网络41与变分线路子网络42连接，变分线路子网络42与测量子网络43连接。

可以通过如图5所示的S301～S303来得到每个量子神经网络层的分类结果，图5为本申请实施例提供的一种得到每个量子神经网络层的分类结果的流程示意图。详述如下：

在S301中，通过目标量子神经网络层的量子态制备子网络将目标特征向量按照预设次序编码至指定的逻辑门的旋转角度中，得到目标特征向量对应的量子态。

其中，指定的逻辑门为目标量子神经网络层的量子态制备子网络中设有的逻辑门。

在本实现方式中，目标量子神经网络层可以为任意一个接收到目标特征向量的量子神经网络层。示例性的，目标特征向量包括4个一维特征向量时，可以通过第一量子神经网络层和第二量子神经网络层接收并处理目标特征向量，则第一量子神经网络层和第二量子神经网络层为目标量子神经网络层。

电子设备可以通过目标量子神经网络层的量子态制备子网络接收对应的目标特征向量，并可以将该目标特征向量按照预设次序编码至该目标量子神经网络层的量子态制备子网络中设有的逻辑门的旋转角度中，从而可以得到该目标特征向量对应的量子态。可以针对每一个目标量子神经网络层执行以上得到目标特征向量对应的量子态的步骤，从而可以得到各个目标量子神经网络层对应的量子态。

在S302中，通过目标量子神经网络层的变分线路子网络对量子态进行变分处理，得到变分后的量子态。

在本实现方式中，电子设备在得到各个目标量子神经网络层对应的量子态后，可以通过目标量子神经网络层的变分线路子网络对对应的量子态进行变分处理，得到变分后的量子态。可以针对每一个目标量子神经网络层执行以上得到变分后的量子态的步骤，从而可以得到各个目标量子神经网络层对应的变分后的量子态。

在S303中，通过目标量子神经网络层的测量子网络对变分后的量子态进行测量处理，得到测量结果，并根据测量结果确定目标量子神经网络层的分类结果。

在本实现方式中，电子设备在得到各个目标量子神经网络层对应变分后的量子态后，可以通过目标量子神经网络层的测量子网络对变分后的量子态进行测量处理，得到测量结果，并根据测量结果确定目标量子神经网络层的分类结果。可以针对每一个目标量子神经网络层执行以上得到分类结果的步骤，从而得到各个目标量子神经网络层对应的分类结果。其中，根据测量结果确定目标量子神经网络层的分类结果的具体方法可以根据实际应用具体设置，此处不作限定。

在S104中，根据每个量子神经网络层的分类结果，确定待分类图片的最终分类结果。

在本申请实施例中，电子设备在得到每个量子神经网络层的分类结果后，可以根据每个量子神经网络层的分类结果，确定待分类图片的最终分类结果。

在一种可能的实现方式中，可以将每个量子神经网络层的分类结果的平均值确定为待分类图片的最终分类结果。需要说明的是，根据每个量子神经网络层的分类结果确定待分类图片的最终分类结果的方式还可以为其他方式，此处提供的方法仅作为示例而非限定。

以上可以看出，本申请实施例提供的图片分类方法，通过获取待分类图片，进而对待分类图片进行特征提取和降维处理，得到待分类图片对应的目标特征向量，再将目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个量子神经网络层的分类结果，最终根据每个量子神经网络层的分类结果，确定待分类图片的最终分类结果。采用本申请实施例提供的图片分类方法，可以通过多个具有少量量子比特的量子神经网络层对特征向量进行处理从而得到图片分类结果，就能够达到通过具有大量量子比特的量子神经网络层进行处理所能得到的图片分类效果，因此通过本申请实施例提供的图片分类方法能够在量子芯片所能支持的量子比特受限的情况下提高通过经典量子混合神经网络进行图片分类的效果。

在本申请实施例中，在执行上述步骤之前，还可以预先对特征提取网络和各个量子神经网络层进行训练优化。请参阅图6，图6为本申请实施例提供的一种进行训练优化的实现流程图，如图6所示，可以通过步骤S401～S403来实现对特征提取网络和各个量子神经网络层进行训练优化。详述如下：

在S401中，获取已标注类别标签的样本图像。

在本申请实施例中，电子设备可以获取已标注类别标签的样本图像。其中，样本图像是用于作为训练集对特征提取网络和各个量子神经网络层进行训练优化的图像。用户可以将已标注类别标签的样本图像输入至电子设备中，电子设备也可以通过预设方式从预设位置中获取已标注类别标签的样本图像。

在S402中，获取样本图像经过特征提取网络和多个量子神经网络层进行分类处理后得到的样本分类结果。

在本申请实施例中，电子设备在获取到已标注类别标签的样本图像后，可以将各个样本图像输入至特征提取网络和多个量子神经网络层进行分类处理后得到各个样本图像对应的样本分类结果。

在S403中，根据样本分类结果和类别标签，通过反向传播的方式调整特征提取网络的参数和多个量子神经网络层的参数。

在本申请实施例中，电子设备在得到各个样本图像对应的样本分类结果后，可以根据样本分类结果和类别标签，通过反向传播的方式调整特征提取网络的参数和多个量子神经网络层的参数。

在一种可能的实现方式中，特征提取网络的参数可以包括全连接层的转化参数，每个量子神经网络层均包括变分线路子网络，各个量子神经网络层的参数可以包括量子神经网络层的变分线路子网络中的逻辑门的旋转角度。基于此，S403可以步骤b来实现，详述如下：

在步骤b中，根据样本分类结果和类别标签，通过反向传播的方式调整全连接层的转化参数，以及调整每个量子神经网络层的变分线路子网络中的逻辑门的旋转角度。

在本实现方式中，电子设备可以根据各个样本分类结果和各个类别标签，通过反向传播算法调整特征提取网络中的连接层的转化参数，以及调整每个量子神经网络层的变分线路子网络中的逻辑门的旋转角度，从而令分类结果的损失函数降低至预设损失函数阈值，从而得到特征提取网络中的连接层的目标转化参数和每个量子神经网络层的变分线路子网络中的逻辑门的目标旋转角度。之后，电子设备可以固定目标转化参数和目标旋转角度，得到训练优化好的特征提取网络和各个量子神经网络层。

基于上述实施例提供的图片分类方法，本申请实施例进一步给出实现上述方法实施例的图片分类装置，请参阅图7，图7为本申请实施例提供的一种图片分类装置的结构示意图。如图7所示，该图片分类装置7可以包括第一获取单元71、特征提取和降维单元72、分类单元73以及第一确定单元74。其中：

第一获取单元71用于获取待分类图片。

特征提取和降维单元72用于对待分类图片进行特征提取和降维处理，得到待分类图片对应的目标特征向量。

分类单元73用于将目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个量子神经网络层的分类结果。

第一确定单元74用于根据每个量子神经网络层的分类结果，确定待分类图片的最终分类结果。

可选的，特征提取和降维单元72具体用于：

将待分类图片输入至已训练的特征提取网络进行特征提取和降维处理，得到目标特征向量；

其中，特征提取网络包括第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层；将待分类图片输入至已训练的特征提取网络进行特征提取和降维处理，得到目标特征向量，包括：

将待分类图片输入至第一卷积层进行特征提取和降维处理，得到第一特征向量；

将第一特征向量输入至第一池化层进行降维处理，得到第二特征向量；

将第二特征向量输入至第二卷积层进行特征提取处理，得到第三特征向量；

将第三特征向量输入至第二池化层进行降维处理，得到第四特征向量；

通过全连接层将第四特征向量转化成N个M维特征向量，并将N个M维特征向量确定为目标特征向量，N表示预设的图片类别数量，M的取值根据各个量子神经网络具有的量子比特数量确定。

可选的，分类单元73具体用于：

将N个一维特征向量中的每两个一维特征向量分别输入至一个量子神经网络层进行分类处理。

可选的，图片分类装置7可以还包括第二获取单元、第三获取单元以及参数调整单元。其中：

第二获取单元用于获取已标注类别标签的样本图像。

第三获取单元用于获取样本图像经过特征提取网络和多个量子神经网络层进行分类处理后得到的样本分类结果。

参数调整单元用于根据样本分类结果和类别标签，通过反向传播的方式调整特征提取网络的参数和多个量子神经网络层的参数。

可选的，特征提取网络的参数包括全连接层的转化参数，每个量子神经网络层均包括变分线路子网络，参数调整单元具体用于：

根据样本分类结果和类别标签，通过反向传播的方式调整全连接层的转化参数，以及调整每个量子神经网络层的变分线路子网络中的逻辑门的旋转角度。

可选的，每个量子神经网络层均包括量子态制备子网络、变分线路子网络和测量子网络，令目标量子神经网络层为任意的一个量子神经网络层，分类单元73具体用于：

通过目标量子神经网络层的量子态制备子网络将目标特征向量按照预设次序编码至指定的逻辑门的旋转角度中，得到目标特征向量对应的量子态，指定的逻辑门为目标量子神经网络层的量子态制备子网络中设有的逻辑门；

通过目标量子神经网络层的变分线路子网络对量子态进行变分处理，得到变分后的量子态；

通过目标量子神经网络层的测量子网络对变分后的量子态进行测量处理，得到测量结果，并根据测量结果确定目标量子神经网络层的分类结果。

可选的，第一确定单元74用于将每个量子神经网络层的分类结果的平均值确定为待分类图片的最终分类结果。

需要说明的是，上述单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参照方法实施例部分，此处不再赘述。

请参阅图8，图8为本申请实施例提供的一种电子设备的结构示意图。如图8所示，本实施例提供的电子设备8可以包括：处理器80、存储器81以及存储在存储器81中并可在处理器80上运行的计算机程序82。例如图片分类方法对应的程序。处理器80执行计算机程序82时实现上述应用于图片分类方法实施例中的步骤，例如图1所示的S101～S104、图3所示的S201～S205、图5中的S301～S304以及图6中的S401～S403。或者，处理器80执行计算机程序82时实现上述电子设备8对应的实施例中各模块/单元的功能，例如图7所示的单元71～74的功能。

示例性的，计算机程序82可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器81中，并由处理器80执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序82在电子设备8中的执行过程。例如，计算机程序82可以被分割成第一获取单元71、特征提取和降维单元72、分类单元73以及第一确定单元74，各单元的具体功能请参阅图7对应的实施例中的相关描述，此处不赘述。

本领域技术人员可以理解，图8仅仅是电子设备8的示例，并不构成对电子设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

处理器80可以是中央处理单元(central processing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器81可以是电子设备8的内部存储单元，例如电子设备8的硬盘或内存。存储器81也可以是电子设备8的外部存储设备，例如电子设备8上配备的插接式硬盘、智能存储卡(smart media card，SMC)、安全数字(secure digital，SD)卡或闪存卡(flash card)等。进一步地，存储器81还可以既包括电子设备8的内部存储单元也包括外部存储设备。存储器81用于存储计算机程序以及电子设备所需的其他程序和数据。存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将图片分类装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备实现上述各个方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参照其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图片分类方法，其特征在于，包括：

获取待分类图片；

对所述待分类图片进行特征提取和降维处理，得到所述待分类图片对应的目标特征向量；

将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个所述量子神经网络层的分类结果；

根据每个所述量子神经网络层的分类结果，确定所述待分类图片的最终分类结果。

2.根据权利要求1所述的图片分类方法，其特征在于，所述对所述待分类图片进行特征提取和降维处理，得到所述待分类图片对应的目标特征向量，包括：

将所述待分类图片输入至已训练的特征提取网络进行特征提取和降维处理，得到所述目标特征向量；

其中，所述特征提取网络包括第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层；所述将所述待分类图片输入至已训练的特征提取网络进行特征提取和降维处理，得到所述目标特征向量，包括：

将所述待分类图片输入至所述第一卷积层进行特征提取和降维处理，得到第一特征向量；

将所述第一特征向量输入至所述第一池化层进行降维处理，得到第二特征向量；

将所述第二特征向量输入至所述第二卷积层进行特征提取处理，得到第三特征向量；

将所述第三特征向量输入至所述第二池化层进行降维处理，得到第四特征向量；

通过所述全连接层将所述第四特征向量转化成N个M维特征向量，并将所述N个M维特征向量确定为所述目标特征向量，N表示预设的图片类别数量，M的取值根据各个所述量子神经网络具有的量子比特数量确定。

3.根据权利要求2所述的图片分类方法，其特征在于，所述将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，包括：

将所述N个一维特征向量中的每两个一维特征向量分别输入至一个所述量子神经网络层进行分类处理。

4.根据权利要求2所述的图片分类方法，其特征在于，所述特征提取网络和所述多个量子神经网络层通过以下方式训练优化：

获取已标注类别标签的样本图像；

获取所述样本图像经过所述特征提取网络和所述多个量子神经网络层进行分类处理后得到的样本分类结果；

根据所述样本分类结果和所述类别标签，通过反向传播的方式调整所述特征提取网络的参数和所述多个量子神经网络层的参数。

5.根据权利要求4所述的图片分类方法，其特征在于，所述特征提取网络的参数包括全连接层的转化参数，每个所述量子神经网络层均包括变分线路子网络，所述根据所述样本分类结果和所述类别标签，通过反向传播的方式调整所述特征提取网络的参数和所述多个量子神经网络层的参数，包括：

根据所述样本分类结果和所述类别标签，通过反向传播的方式调整所述全连接层的转化参数，以及调整每个所述量子神经网络层的变分线路子网络中的逻辑门的旋转角度。

6.根据权利要求1所述的图片分类方法，其特征在于，每个所述量子神经网络层均包括量子态制备子网络、变分线路子网络和测量子网络，令目标量子神经网络层为任意的一个所述量子神经网络层，所述将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个所述量子神经网络层的分类结果，包括：

通过所述目标量子神经网络层的量子态制备子网络将所述目标特征向量按照预设次序编码至指定的逻辑门的旋转角度中，得到所述目标特征向量对应的量子态，所述指定的逻辑门为所述目标量子神经网络层的量子态制备子网络中设有的逻辑门；

通过所述目标量子神经网络层的变分线路子网络对所述量子态进行变分处理，得到变分后的所述量子态；

通过所述目标量子神经网络层的测量子网络对变分后的所述量子态进行测量处理，得到测量结果，并根据所述测量结果确定所述目标量子神经网络层的分类结果。

7.根据权利要求1至6任一项所述的图片分类方法，其特征在于，所述根据每个所述量子神经网络层的分类结果，确定所述待分类图片的最终分类结果，包括：

将每个所述量子神经网络层的分类结果的平均值确定为所述待分类图片的最终分类结果。

8.一种图片分类装置，其特征在于，包括：

第一获取单元，用于获取待分类图片；

特征提取和降维单元，用于对所述待分类图片进行特征提取和降维处理，得到所述待分类图片对应的目标特征向量；

分类单元，用于将所述目标特征向量输入至并行排列的多个量子神经网络层进行分类处理，分别得到每个所述量子神经网络层的分类结果；

第一确定单元，用于根据每个所述量子神经网络层的分类结果，确定所述待分类图片的最终分类结果。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述图片分类方法中的各步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图片分类方法中的各步骤。