本申请涉及量子计算，特别是涉及一种基于量子神经网络的手写数字识别方法、产品、介质及设备。
背景技术：
1、目前，人类手写字的识别问题依旧为研究热点，手写字识别技术已经被广泛应用在税务表处理、邮件分类和电脑阅卷等方面，其中，对于手写数字的识别技术的广泛存在于银行支票信息、信封邮政编码信息、海关等场景中。在这些应用中通常要求手写数字识别算法具有较高的识别速度和识别精度以及较高的可靠性和稳定性。手写数字的类别虽然只有十种，笔画简单，但是其识别问题仍然存在很大的困难。现有技术中采用量子神经网络来实现手写数字的识别。
2、量子神经网络是传统计算机学与量子信息学相交叉产生的热门学科，将人工神经网络的基本原理与量子计算范式相结合能够解决阻碍两个领域发展的瓶颈问题，它也在函数逼近、大数据处理等领域展现了广泛的应用前景。人工神经网络是由神经元组成的并行分布式信息处理器，能够通过学习大量的数据来识别模式和关系，从而解决各种复杂任务。随着量子计算的发展，量子神经网络为解决经典计算机未能解决的问题提供了新的可能性。然而，尽管量子神经网络受到广泛关注，但关于其基本量子神经元计算机制的相关实践却很少。
3、通过将神经网络与量子计算的独特属性相结合，利用量子纠缠、干涉、叠加等量子特性，一些学者提出了系统的量子神经网络实现方法，可以处理任意长度的二进制字符串，但受制于受限的量子模拟器的输入量子比特规模，量子神经网络在反映基本神经元计算机制方面仍存在不足。与经典版本相比，量子神经网络具有指数级增长的内存容量，更快的学习能力，以及更高的稳定性和可靠性。尽管已经开发了多种量子神经网络模型，并在量子通信、量子加密算法、量子图像处理、量子人工智能等领域取得了重要进展，但现有量子神经网络模型更多地采用了量子-经典混合框架，其正常的运行往往要依赖于传统的算法或计算模型，甚至网络中传统计算部分对整个量子神经网络最终的输出结果贡献更大。
4、绝大多数量子神经网络模型亦可称为量子启发式神经网络，但它们无法运行在量子计算机上，而是受到量子原理启发添加了部分量子算法或量子计算单元的经典神经网络。此外，现有量子神经网络模型中大多利用单量子比特对像素进行独立编码的方法对图像数据进行量子化处理，即图像的像素数会与量子神经网络输入的量子比特数相同。因此，其未能充分利用量子叠加特性，导致对量子寄存器的存储容量有较严苛的要求，且严重弱化了量子并行计算对量子算法的加速特点。
5、综上，现有的量子神经网络模型由于无法充分利用量子叠加特性与并行算法的优势，使得量子神经网络模型仍旧存在存储资源多，计算效率低的问题，从而在使用量子神经网络模型去识别手写数字时，存在识别效率和准确率低的问题。
技术实现思路
1、本申请的目的是提供一种基于量子神经网络的手写数字识别方法、产品、介质及设备，可充分利用量子神经网络的量子叠加特性和并行计算特点，从而有效提高手写数字识别的效率和准确率。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种基于量子神经网络的手写数字识别方法，包括：
4、获取手写数字的图像数据；
5、将图像数据输入至量子神经网络中，输出手写数字识别结果；所述量子神经网络是通过量子优化算法并以交叉熵损失函数最小为目的确定的；所述量子神经网络包括依次连接的输入层、量子层、激活层以及输出层；所述输入层设置有多量子比特受控ry门；所述输入层用于将图像数据转换为量子图像，得到图像信息量子比特序列；
6、所述量子层，用于：
7、根据所述图像信息量子比特序列得到权重量子比特序列；
8、基于所述图像信息量子比特序列和所述权重量子比特序列得到输出信息数据；
9、所述激活层用于对所述输出信息数据进行非线性映射后输入至所述输出层；所述输出层用于输出手写数字识别结果。
10、第二方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述基于量子神经网络的手写数字识别方法。
11、第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述基于量子神经网络的手写数字识别方法。
12、第四方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在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以实现所述基于量子神经网络的手写数字识别方法。
13、根据本申请提供的具体实施例，本申请公开了以下技术效果：
14、本申请提供了一种基于量子神经网络的手写数字识别方法、产品、介质及设备，首先通过量子优化算法，以交叉熵损失函数最小为目的确定出量子神经网络，该量子神经网络能够充分利用量子叠加属性减少存储资源，还能够利用量子并行计算特点提高量子神经网络的计算和训练速度。随后获取手写数字的图像数据并将图像数据输入至量子神经网络中，得到手写数字识别结果，从而有效提高手写数字识别的效率和准确率。
1.一种基于量子神经网络的手写数字识别方法，其特征在于，包括：
2.根据权利要求1所述的基于量子神经网络的手写数字识别方法，其特征在于，所述量子神经网络的确定方法，具体包括：
3.根据权利要求2所述的基于量子神经网络的手写数字识别方法，其特征在于，所述获取手写数字的初始训练集并进行预处理，得到手写数字训练集，具体包括：
4.根据权利要求3所述的基于量子神经网络的手写数字识别方法，其特征在于，所述将手写数字训练集输入至输入层中，得到图像信息量子比特序列，具体包括：
5.根据权利要求4所述的基于量子神经网络的手写数字识别方法，其特征在于，所述权重量子比特序列与所述图像信息量子比特序列一一对应。
6.根据权利要求5所述的基于量子神经网络的手写数字识别方法，其特征在于，所述基于所述图像信息量子比特序列和所述权重量子比特序列得到输出信息数据，具体包括：
7.根据权利要求1所述的基于量子神经网络的手写数字识别方法，其特征在于，所述激活层包括交换门、hadamard门、受控相位迁移门以及多量子比特异或门。
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于量子神经网络的手写数字识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于量子神经网络的手写数字识别方法。
10.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在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以实现权利要求1-7中任一项所述的基于量子神经网络的手写数字识别方法。
