【量子计算】5. 量子软件栈与NISQ实现

目录

5. 量子软件栈与NISQ实现

5.1 量子编程框架深度对比

5.1.1 Qiskit生态系统

5.1.1.1 Terra(电路编译)、Aer(模拟器)、Ignis(噪声)、Aqua(算法)架构

5.1.1.2 OpenQASM与脉冲级控制(Pulse)

5.1.1.3 Runtime会话与Session优化执行

5.1.1.4 实战:使用Qiskit Runtime实现VQE并优化延迟

5.1.2 Cirq与量子-经典混合编程

5.1.2.1 Google的moments与schedules概念

5.1.2.2 设备拓扑感知的电路优化

5.1.2.3 量子虚拟机的噪声模拟

5.1.2.4 代码实现:Sycamore处理器上的随机电路采样

5.1.3 Pennylane与量子机器学习

5.1.3.1 自动微分与量子梯度反向传播

5.1.3.2 参数化量子电路作为神经网络层

5.1.3.3 与PyTorch/TensorFlow的无缝集成

5.1.3.4 实战:构建量子生成对抗网络(QGAN)训练MNIST

5.2 量子硬件接口与云访问

5.2.1 IBM Quantum平台操作

5.2.1.1 后端选择与队列管理策略

5.2.1.2 校准数据解读与误差抑制(DD、REX)

5.2.1.3 动态电路与中间测量(Mid-circuit measurement)

5.2.1.4 实验:使用127-qubit IBM Eagle处理器运行算法

5.2.2 多硬件后端编程(Braket/IonQ/Rigetti)

5.2.2.1 AWS Braket SDK与硬件无关的抽象层

5.2.2.2 IonQ的trapped-ion全连通性利用

5.2.2.3 Rigetti的超导量子处理器与Quil语言

5.2.2.4 代码实现:同一电路在IonQ与IBM硬件上的对比执行

5.3 噪声缓解与误差抑制

5.3.1 NISQ时代的误差缓解技术

5.3.1.1 零噪声外推(ZNE)与Richardson外推

5.3.1.2 概率误差消除(PEC)与准概率分解

5.3.1.3 动态解耦序列(CPMG, XY4)的插入策略

5.3.1.4 Qiskit实现:使用Estimator primitive进行ZNE实验

5.3.2 量子纠错基础

5.3.2.1 比特翻转码与相位翻转码的电路实现

5.3.2.2 表面码(Surface Code)的拓扑结构

5.3.2.3 稳定子测量与syndrome解码

5.3.2.4 展望:Google Quantum AI的表面码实验解读


5. 量子软件栈与NISQ实现

5.1 量子编程框架深度对比

5.1.1 Qiskit生态系统

Qiskit作为IBM主导开发的开源量子计算软件开发工具包,其架构设计遵循模块化与分层解耦原则,形成从底层脉冲控制到高层算法应用的完整技术栈。该生态系统核心由四个专业模块构成:Terra作为基础电路编译层,负责量子程序的抽象表示、逻辑优化与物理映射;Aer提供高性能噪声模拟器集合,支持状态向量、密度矩阵及矩阵乘积态等多种模拟后端;Ignis

量子软件开发生态的产学研协同创新模式与实践探索 量子软件开发生态的产学研协同创新机制量子计算作为颠覆性技术,其软件生态建设已成为全球科技竞争焦点。当前量子软件市场规模预计2025年将突破120亿美元(IBM, 2023),但技术成熟度仅为NISQ阶段的25%(Nature Quantum Information, 2022)。产学研协同创新模式通过整合高校基础研究、企业应用需求和政府资源支持,有效破解了量子软件开发周期长、投入风险高、人才断层等核心难题。利益分配机制创新传统产学研合作中,高校知识产权归属与企业市场化需求常存在冲突。清华大学与华为联合实验室 阅读详情

相关推荐

量子计算全栈工具链NWQWorkflow的设计与实践

量子计算工具链是连接量子算法与硬件设备的关键桥梁,其核心在于解决NISQ(含噪声中等规模量子)时代的碎片化问题。通过硬件抽象层和双模态架构设计,工具链能够动态适配IBM、IonQ等不同量子硬件,实现算法优化与噪声管理的自动化。量子门库与设备库的工程实践进一步提升了设备原生门的优化效率,而QASMTrans编译器的三级优化流水线(逻辑层、物理层、噪声自适应)则显著提升了电路深度和保真度。这些技术在量子化学模拟、材料计算等应用场景中展现出巨大潜力,例如苯分子基态能量计算中,NWQWorkflow通过混合计算模式

weixin_30619101的博客 333

人工智能专题:量子计算云平台功能模型、体系架构与能力分级研究报告

今天分享的是深度研究报告:《(报告出品方:量子信息网络产业联盟)页。

GPT20236688的博客 1681

量子计算技术栈与职业发展全景解析

量子计算作为下一代颠覆性技术,通过量子比特的叠加态和纠缠态特性,在特定问题上实现指数级加速。其技术栈涵盖物理层(超导电路、离子阱)、控制层(微波脉冲、激光)、软件层(Qiskit、Cirq等编程框架)和应用层(Shor算法、QAOA等)。量子计算在密码学、药物研发、金融建模和人工智能等领域展现出巨大潜力,尤其在量子机器学习(QML)和金融量子计算应用中表现突出。行业人才需求旺盛,硬件研发和算法开发岗位缺口显著,需掌握量子物理、低温电子学、量子编程等核心技能。

weixin_30642869的博客 384

量子实验框架QEF:提升量子软件研究的可重复性与探索性

量子计算作为新兴计算范式,其核心挑战在于平衡探索性实验与科学严谨性。量子实验框架(QEF)通过结构化配置管理和自动化参数扫描,解决了NISQ时代量子软件研究的可重复性难题。该框架采用JSON描述实验参数,支持整洁数据存储格式,特别适用于量子-经典混合算法的敏感性分析和比较研究。在量子优化等场景中,QEF能显著提升参数扫描效率,确保实验结果的可靠性和可追溯性,为量子算法研究提供了标准化工程实践方案。

weixin_30924087的博客 168

量子计算在凝聚态物理中的应用与算法解析

量子计算利用量子叠加和纠缠特性,为解决传统计算机难以处理的复杂物理问题提供了新途径。其核心原理是通过量子比特的并行计算能力,高效模拟量子多体系统等复杂问题。在NISQ(含噪声中等规模量子)时代,量子算法如变分量子本征求解器(VQE)和量子相位估计(QPE)成为研究凝聚态物理的重要工具。这些技术特别适用于强关联电子系统和拓扑量子态的研究,通过量子-经典混合计算框架,在现有硬件限制下实现有意义的物理模拟。量子软件开发工具如Qiskit和Cirq进一步降低了算法实现门槛,推动了量子计算在材料科学和基础物理研究中的

weixin_33696106的博客 309

医疗量子计算编程教程基础(2025年8月开学版)

医疗量子计算:机遇与挑战并存 量子计算在医疗健康领域展现出三大核心应用方向:药物分子建模、医学影像分析和医疗资源优化。目前该领域正处于从理论探索向实践验证过渡的关键阶段,虽在量子算法精度和计算效率上取得突破性进展,但仍面临NISQ时代的技术瓶颈,包括量子比特退相干效应和系统可扩展性限制。开发者可采用Qiskit和PennyLane等工具包,通过"本地开发+云端算力"模式构建医疗量子计算应用原型。量子计算基础理论表明,量子比特的叠加态特性和量子门操作体系为医疗数据处理提供了全新的计算范式,

AllenLV的博客 1466

量子行走:从理论到Python实现——5. 量子软件栈与NISQ实现

利用Runtime的Estimator基元,开发者可定义参数化电路与观测量的绑定关系,由后端自动处理参数更新与结果返回。针对Sycamore处理器的二维网格拓扑,Cirq提供专用的路由算法,通过插入最少数量的交换门实现任意两比特门的合法化。Schedules进一步扩展该概念,允许在操作间插入精确的时间间隔,支持动态去耦序列与脉冲校准实验的编排。三量子比特比特翻转码将逻辑零编码为三个物理零的直积态,逻辑一编码为三个物理一的直积态。会话模式支持经典计算与量子计算的深度交织,实现自适应变分优化与实时误差缓解。

VectorShift的博客 296

15、量子软件设计与服务架构:从理论到实践

本文探讨了量子软件设计与服务架构从理论到实践的发展,涵盖了模块化设计、混合系统架构、软件通用性以及量子服务导向架构(QSOC)的构建与挑战。文章分析了经典微服务架构在量子环境下的适用性局限,并介绍了QuMA和XACC等前沿架构方案。同时展望了量子服务标准化、智能化、云化的发展趋势,以及技术突破、应用拓展和人才培养对未来发展的推动作用。

dapp9builder的博客 80

手机耳机麦克风(ECM)电路设计实战:从差分走线到射频干扰滤波,一个电阻引发的灵敏度问题

本文深入探讨了手机耳机麦克风(ECM)电路设计中的关键问题,从差分走线到射频干扰滤波,特别关注了一个电阻引发的灵敏度问题。通过实际案例分析,详细解析了ECM麦克风工作原理、偏置电阻选型、差分信号传输设计以及射频干扰抑制策略,为工程师提供了实用的设计指南和优化建议。

weixin_42563415的博客 245

C# 开发 WPS 插件实战:从环境搭建到功能实现(附完整代码)

本文提供了一份详尽的C#开发WPS插件实战指南,涵盖从环境搭建到功能实现的完整流程。通过COM技术,开发者可以创建自定义插件,为WPS Office扩展自动化功能,如文档处理与格式转换。文章包含核心概念解析、Ribbon界面集成、调试部署方法及完整代码示例,帮助开发者快速上手。

rust6ferris的博客 929

GitHub与GitLab中的Fork操作:从个人仓库到团队协作的完整指南

本文详细介绍了GitHub与GitLab中的Fork操作,从个人仓库到团队协作的完整指南。通过Fork操作,开发者可以在权限隔离的环境下自由实验,并通过合并请求机制保证代码质量。文章涵盖了Fork的具体步骤、本地开发环境配置、代码同步方法以及高级协作技巧,帮助团队高效管理代码仓库。

weixin_28829325的博客 308

怎么在豆包里做生成式引擎优化(GEO)

本文系统介绍了豆包平台生成式引擎优化(GEO)的全套方法体系。文章首先解析了豆包与传统搜索引擎的核心差异,强调其多模态理解和上下文感知特性,并指出GEO需从关键词匹配转向用户意图动态解析。随后详细阐述了GEO优化的三大核心策略:用户意图解析技术、实时内容适配框架和权威信号强化方法,配以技术实现路径和案例说明。最后提出GEO与SEO融合的未来趋势,建议企业构建统一知识库,实现全渠道声誉管理。全文包含大量实操代码和工具链指导,为企业在AI时代的内容优化提供系统解决方案。

解锁AI流量新红利!🚀 GEO优化(生成引擎优化)助您掌控AI搜索,让AI成为您的品牌最佳代言人! 2388

OCV/AOCV/SOCV的介绍和应用

library中的cell delay是在某个固定的PVT(operating condition)下仿真得出的。,cell的delay并不是一个固定值,而是一个随机值,遵循高斯分布或门特卡洛分布,在STA中用OCV来模拟这一『特征』。OCV全称on chip variation,用于描述不同管子间由于工艺偏差、电压降、温度变化引起的delay变化。,也用于描述工艺偏差引起的net厚度宽度的变化从而导致net的电容电阻变化。优点:设置起来比较简单粗暴,对于不那么先进的工艺可行!的影响,更贴合实际。

m0_61003348的博客 8986

Flutter 自适应布局一套代码适配手机和平板(12)

通过LayoutBuilder组件动态检测屏幕尺寸,根据宽度阈值(600px)选择不同布局方式。在小屏幕上显示单页联系人分组,大屏幕采用侧边栏+详情面板的并排布局。核心实现包括:1)使用LayoutBuilder获取父容器约束条件;2)定义大屏幕和小屏幕的布局断点;3)构建响应式界面组件,其中大屏幕布局采用Row横向排列固定宽度侧边栏和弹性宽度的详情区域。这种方案可确保应用在不同设备上都能提供最佳显示效果。

hello.reader 319

Bert+CNN文本分类(含代码实现)

一、什么是CNN? CNN的特点: (1)特定特征位移不变性 (2)特征缩放不变性 2. CNN模型构造过程 2.1 Convolution(卷积) (1)获取关键特征(减少参数) (2)共享权重(再次减少参数) 2.2 Max Pooling(池化) 2.3 Flatten 向量转换为如图所示可以进入全连接层的向量模式 3. TextCNN 上图可理解为: 通过不同的size(如上图2、3、4等),上图红色代表 size=2,黄色...

Python,数据分析,机器学习,深度学习 1万+

国科大学习资料--遥感原理集图像处理(尤红建)--2019年期末考试

国科大学习资料–遥感原理集图像处理(尤红建)–2019年期末考试 国科大学习资料–遥感原理集图像处理(尤红建)–2019年期末考试 国科大学习资料–遥感原理集图像处理(尤红建)–2019年期末考试 ================================================================== ================================================================== ==============

无名何许人的博客 1471

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

上一篇: 【量子计算】4.基础量子算法设计与实现(二)
下一篇: 【量子计算】6. 量子机器学习与前沿应用
VectorShift
博客等级 码龄1年 1841粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值