qiskit_noise_learning.analysis.AnalysisStage
class qiskit_noise_learning.analysis.AnalysisStage
Bases : ABC
Base abstraite pour une étape du pipeline d'analyse.
Chaque étape déclare le niveau de données qu'elle consomme (input_level) et qu'elle produit (output_level). Les étapes peuvent sauter des niveaux intermédiaires, par exemple en passant directement de RawData à DecayData.
Pour implémenter une étape, créez une sous-classe de cette classe et redéfinissez la méthode _run(). La méthode run() publique gère la copie superficielle du Fit conteneur et le marquage des niveaux ignorés; elle reçoit _run() la copie et peut la modifier in situ.
input_level et peuvent output_level être déclarés comme attributs de classe :
class MyStage(AnalysisStage):
input_level = RawData
output_level = ObservableData
def _run(self, fit):
fit[ObservableData] = compute(fit[RawData])__init__
__init__()
Méthodes
Chronique « 1 » | Chronique « 2 » |
|---|---|
__init__() | |
run(adapté) | Exécutez cette étape, qui renvoie un nouvel objet Fit dont le champ « niveau de sortie » est renseigné. |
Attributs
Chronique « 1 » | Chronique « 2 » |
|---|---|
input_level | Le niveau de données lu à cette étape. |
output_level | Le niveau de données sur lequel cette étape effectue l'écriture. |
input_level
output_level
abstract property
Type : type[LeveledData]
Le niveau de données sur lequel cette étape effectue l'écriture.
run
run(fit: Fit | LeveledData) → Fit
Exécutez cette étape, qui renvoie un nouvel objet Fit dont le champ « niveau de sortie » est renseigné.
Les « copies superficielles fit» marquent tous les niveaux intermédiaires Absent comme tels Skipped, appellent la fonction de _run() copie et la renvoient. Le fichier d'origine n'est fit pas modifié.