QML doğrulama ve eğitim kontrolleri

Amaç ve kapsam

Eğitimin ne zaman doğrulama yapacağını, ne zaman duracağını ve hangi parametreleri en iyi durum olarak saklayacağını kaynakta ifade eder. Arayüzde gizli kalan eğitim tercihlerini tekrarlanabilir program sözleşmesine taşır.

Tasarımın ana kuralları

• train içindeki doğrulama sıklığı, erken durdurma ve öğrenme oranı tercihleri sınırlı ve deterministik biçimde değerlendirilir.
• İlk yürütülebilir kapsam, gömülü denetimli veri kümelerinin sabitlenmiş eğitim/doğrulama ayrımlarını kullanır.
• En iyi doğrulama parametrelerinin aynı koşu içinde geri yüklenmesi ile kalıcı kontrol noktası farklı sözleşmelerdir.

Özgün belgeden örnek

Bu örnek özgün kaynakta yer alan tasarımı gösterir. Tek başına çalıştırılabilirlik veya kararlı destek iddiası değildir; gereken seçenekleri ve güncel sürümü kontrol edin.

module qml_training_controls;
param theta: Angle = 0.1;

fn main() {
  let q: QReg<2> = qreg[2];
  encode(sample_row(), q, method: "reupload");
  CNOT(q[0], q[1]);
  X(q[1]);
  Ry(q[1], theta);
  let cost = expect Z(q[1]);

  train {
    objective: minimize cost;
    optimizer: adam(lr = 0.2);
    steps: 40;
    loss: cross_entropy;
    dataset: xor_2d;
    validation: split = validation, every = 5;
    early_stopping: metric = validation_loss, patience = 3, min_delta = 0.001;
    scheduler: step(every = 10, factor = 0.5, min_lr = 0.01);
    checkpoint: best(metric = validation_loss);
  }
  return cost;
}

Sınırlar ve sonuçların yorumu

• Genel veri yükleme, dağıtık eğitim ve keyfî optimizasyon altyapısı bu dilimin parçası değildir.
• Daha düşük doğrulama kaybı tek başına klasik modele üstünlük veya gerçek dünyaya genellenebilirlik göstermez.

Durum ve uygulama sınırı

Kaynak belge çalışma zamanı deneysel dilimi kaydeder. Kalıcı devam ettirme için NM-RFC-0009'u, sonuç yorumlama için veri ayrımı ve değerlendirme sınırlarını ayrıca inceleyin.