目前主要有两个python开源库来实现QML：

ayesha983

3.通过测量提取经典信息，并在经典ML框架（即线性SVM [9]）中进行后处理。
这些技术通过输入数据的随机非线性函数组合来提取特征，这种方法已在经典 ML 中用于近似复杂模型 [9]。QML 带来的是生成更复杂的随机非线性函数的能力，这些函数在经典计算机上难以模拟，从而实现更具表现力的特征和更高的性能。大多数现有应用程序都专注于图像分类，但同样的方法也扩展到 NLP、时间序列预测、客户细分等。

具有变分训练量子电路的机器学习：在这里，PQC 的参数作为训练过程的一部分进行更新 [10, 11]。变分训练是指要学习的参数是概率分布的参数（例如变分自动编码器）。在这种方法中，经典计算机被用作 PQC 的外环优化器。

训练此类量子模型的一大挑战是所谓 法国电报数据 的“贫瘠高原” [12]，它代表一种平坦的损失景观，随着量子比特数的增加而增加，阻碍了优化技术的有效性。此外，量子设备中当前的噪声水平限制了在可接受的保真度下可实现的量子电路深度。这些因素推动了下一种混合方法的出现，旨在尽可能多地在经典硬件上保留模型。

混合量子-经典机器学习： 在这里，模型本身是量子计算构建块和经典计算构建块的混合，通常通过基于梯度的方法进行训练。


Pennylane及其丰富的演示库。该库与最常用的实现和运行量子电路的软件（IBM 的 Qiskit、Google 的 Cirq、Rigetti 的 Forest或Xanadu 的 Strawberry Fields ）完美集成，并且具有与最流行的自动微分库（ NumPy、PyTorch、JAX和TensorFlow）的接口
用于混合量子-经典机器学习的Google TensorFlow Quantum （将Cirq与 TensorFlow 集成）
混合 QML 方法的类型。蓝色任务由经典计算机执行。资料来源：作者。