量子机器学习（QML）是量子计算与机器学习思想的融合。当前，众多研究者正积极探索量子计算机如何赋能机器学习任务。为支持这一前沿研究，GitHub上涌现出大量开源项目，分享学习资源、实例代码，极大地促进了该领域的基础学习与最新进展的理解。本文将介绍五个尤其有用的GitHub仓库，助你深入学习量子机器学习，并把握其发展脉络。
1. 领域全景图：awesome-quantum-machine-learning (⭐ 3.2k)
这个庞大的列表如同量子机器学习领域的“目录大全”，全面覆盖基础概念、核心算法、学习资料以及各类库和软件。对于初学者而言，它提供了一个理想的起点，能一览量子核、变分电路或硬件限制等所有子主题。该项目采用CC0-1.0许可证，是入门量子机器学习的绝佳基础资源。
2. 深度探索研究：awesome-quantum-ml (⭐ 407)
相比之下，awesome-quantum-ml列表更为精炼，专注于高质量的科学论文和关于量子设备上运行的机器学习算法的关键资源。如果你已掌握基础知识，并希望深入阅读探讨关键概念、最新发现以及将量子计算方法应用于机器学习问题的新兴趋势，这份精选的论文、综述和学术著作清单将是理想选择。该项目也通过Pull Request接受社区贡献。
3. 实践出真知：Hands-On-Quantum-Machine-Learning-With-Python-Vol-1 (⭐ 163)
此仓库收录了《Hands-On Quantum Machine Learning With Python (Vol 1)》一书的配套代码。它以学习路径的形式组织，用户可以按章节跟随，运行实验，调整参数以观察系统行为。对于偏爱通过Python Notebooks和脚本进行实践学习的读者，这个仓库无疑是量身定制的。
4. 近期设备项目实战：Quantum-Machine-Learning-on-Near-Term-Quantum-Devices (⭐ 25)
尽管这个仓库规模较小，但实用性极高。它包含专注于“近期量子设备”的项目，即当前噪音大、量子比特数有限的硬件。其中涵盖量子支持向量机、量子卷积神经网络以及用于分类任务的数据重上传模型等。通过这些项目，可以直观了解量子机器学习在真实世界限制下的工作原理。
5. 构建QML管道：qiskit-machine-learning (⭐ 939)
这是一个功能齐全的Qiskit库，提供量子核、量子神经网络、分类器和回归器等工具。它通过TorchConnector与PyTorch无缝集成。作为Qiskit生态系统的一部分，该库由IBM和Hartree中心（隶属于英国科学与技术设施委员会）共同维护。