하이퍼파라미터 사용

하이브리드 작업을 생성할 때 학습률이나 단계 크기 등 알고리즘에 필요한 하이퍼파라미터를 정의할 수 있습니다. 하이퍼파라미터 값은 일반적으로 알고리즘의 다양한 측면을 제어하는 데 사용되며, 알고리즘의 성능을 최적화하도록 조정할 수도 있습니다. Braket 하이브리드 작업에서 하이퍼파라미터를 사용하려면 하이퍼파라미터의 이름과 값을 사전으로 명시적으로 지정해야 합니다. 단, 값은 문자열 데이터 유형이어야 합니다. 최적의 값 세트를 검색할 때 테스트하려는 하이퍼파라미터 값을 지정합니다. 하이퍼파라미터를 사용하는 첫 번째 단계는 하이퍼파라미터를 딕셔너리로 설정하고 정의하는 것입니다. 이 내용은 다음 코드에서 확인할 수 있습니다.

#defining the number of qubits used
n_qubits = 8
#defining the number of layers used
n_layers = 10
#defining the number of iterations used for your optimization algorithm
n_iterations = 10

hyperparams = {
    "n_qubits": n_qubits, 
    "n_layers": n_layers, 
    "n_iterations": n_iterations
}

그런 다음 선택한 알고리즘에서 사용할 수 있도록 위에 제공된 코드 스니펫에 정의된 하이퍼파라미터를 다음과 같은 형식으로 전달합니다.

import time
from braket.aws import AwsQuantumJob

#Name your job so that it can be later identified
job_name = f"qcbm-gaussian-training-{n_qubits}-{n_layers}-" + str(int(time.time()))

job = AwsQuantumJob.create(
    #Run this hybrid job on the SV1 simulator
    device="arn:aws:braket:::device/quantum-simulator/amazon/sv1",
    #The directory or single file containing the code to run.
    source_module="qcbm",
    #The main script or function the job will run.
    entry_point="qcbm.qcbm_job:main",
    #Set the job_name
    job_name=job_name,
    #Set the hyperparameters
    hyperparameters=hyperparams,
    #Define the file that contains the input data
    input_data="data.npy", # or input_data=s3_path
    # wait_until_complete=False,
)

참고

입력 데이터에 대해 자세히 알아보려면 입력 섹션을 참조하십시오.

그러면 하이퍼파라미터가 다음 코드를 사용하여 하이브리드 작업 스크립트에 로드됩니다.

import json
import os

#Load the Hybrid Job hyperparameters
hp_file = os.environ["AMZN_BRAKET_HP_FILE"]
with open(hp_file, "r") as f:
    hyperparams = json.load(f)

참고

입력 데이터 및 장치 arn과 같은 정보를 하이브리드 작업 스크립트에 전달하는 방법에 대한 자세한 내용은 이 github 페이지를 참조하십시오.

하이퍼파라미터 사용 방법을 배우는 데 매우 유용한 몇 가지 가이드는 Amazon Braket Hybrid Jobs PennyLane 및 Amazon Braket Hybrid Jobs의 Quantum 기계 학습 사용 자습서에 나와 있습니다. QAOA