根据谷歌 AI 博客的介绍，TFQ 允许研究人员在单个计算图中将量子数据集、量子模型和经典控制参数构造为张量。TensorFlow Ops 会获得导致经典概率事件的量子测量结果，然后可以使用标准 Keras 功能进行培训。
与经典机器学习一样，量子机器学习的关键挑战是对“噪声数据”进行分类。要构建和训练这样的模型，大致操作步骤如下：
- 准备量子数据集 - 量子数据作为张量（数字的多维数组）加载。每个量子数据张量都指定为用 Cirq 编写的量子电路，该电路可实时生成量子数据。张量由 TensorFlow 在量子计算机上执行以生成量子数据集。
- 评估量子神经网络模型 - 研究人员可以使用 Cirq 对量子神经网络进行原型设计，然后将其嵌入 TensorFlow 计算图中。量子模型实质上是对输入的量子数据进行解纠缠，从而使隐藏信息以经典的相关性编码，从而使其可用于本地测量和经典的后处理。
- 样本或平均值 - 量子态的测量从经典随机变量中以样本形式提取经典信息。来自该随机变量的值的分布通常取决于量子态本身以及所测得的可观测值。
- 评估经典神经网络模型 - 提取经典信息后，其格式适用于进一步的经典后处理。
- 评估成本函数 - 根据经典后处理的结果，评估成本函数。
- 评估梯度和更新参数 - 评估成本函数后，应沿预期可降低成本的方向更新管道中的自由参数。
TensorFlow Quantum 的关键特征是拥有能够同时训练和执行许多量子电路的能力。目前，TensorFlow Quantum 主要面向在经典量子电路模拟器上执行量子电路。谷歌的希冀是，将来 TFQ 能够在 Cirq 支持的实际量子处理器上执行量子电路。
关于 TensorFlow Quantum 的更多介绍，可查看谷歌 AI 博客。
