Apache Mahout 介绍与选型指南

一、信息基准

• 查询日期：2026-10-18。
• 版本依据：Apache Mahout 当前为无统一版号的多组件项目。官方发行目录 downloads.apache.org/mahout/ 同时存在经典 Java 发行（14.1）与量子机器学习 Python 组件（0.4、0.5.0、0.6）；官网首页标注 Currently v0.6 并声明当前工作重心为量子机器学习。本文按「组件-版本基准表」逐列给出版本基准。

组件-版本基准表：

环境要求：Qumat 要求 Python >= 3.10 且 < 3.13（PyPI 元数据）；官网首页标注 Python 3.10+，QDP 原生扩展提供 cp310/cp311/cp312 wheel。

二、软件概述

本文介绍的 Apache Mahout 以 2026 年 10 月 18 日可查证的最新组件版本为基准（Qumat 0.6.0、qumat-qdp 0.2.0，经典线 14.1 维护模式）。

官网对项目目标的表述为：构建一个用于快速创建可扩展、高性能机器学习应用的环境。官网同时明确当前工作重心：量子机器学习（Python 技术栈），包含两个组件——Qumat，一次编写量子电路、在任一受支持后端运行的库；QDP，GPU 加速的数据平面，将经典数据直接构造为量子态，无需模拟态制备电路。

项目历史的另一条线是 Mahout Classic（Samsara 与 MapReduce 代码库），官网首页原文确认其处于维护模式（maintenance mode），社区当前工作在 Qumat 与 QDP 上。

三、核心架构

• Qumat：高层 Python 量子计算库。以统一 API 屏蔽后端差异，支持在 Qiskit、Cirq、Amazon Braket 三类后端上执行，模拟器或真实量子硬件均可（官网首页原文要点）；提供标准门与参数化门（Hadamard、Pauli、CNOT、Toffoli、SWAP、旋转门等），支持变分电路的参数绑定。
• QDP（Quantum Data Plane）：面向量子机器学习的数据装载瓶颈设计，绕开态制备电路模拟，直接在 GPU 显存中构造状态向量并交给训练或核方法管线。支持六种编码：Amplitude、Angle、Basis、Phase、IQP、IQP-Z，且在 CUDA 与 ROCm 两类 GPU 后端上保持同等覆盖（0.6.0 发布公告原文）。
• 后端硬件路径：CUDA 路径面向 Linux x86_64 与 NVIDIA CUDA；AMD 路径通过手写 Triton 内核的 TritonAmdEngine 原生运行于 ROCm，可用 --qdp-backend amd 选择（发布公告原文）。
• 互操作：经 DLPack 与 PyTorch、NumPy、TensorFlow 零拷贝交接，并提供跳过主机往返的 GPU 指针路径（官网首页与发布公告）。

四、功能特性

• 一套 API、三类后端：切换 Qiskit、Cirq、Amazon Braket 只需改配置值，不改电路代码（官网首页原文要点）。
• GPU 数据面性能：官方博客给出数据到态延迟基准（16 比特、65536 维向量）——QDP 0.160 ms/vector，为 PennyLane（0.716）的 4.5 倍速、Qiskit Statevector（9.030）的 56 倍速、Qiskit Initialize（76.243）的 477 倍速；DataLoader 基准中 QDP 达 6101 vectors/s，对 PennyLane（1604）为 3.8 倍（数据引自官方博客，非本文实测）。
• 真实负载基准：SVHN IQP 变分分类器、SVHN 量子核 SVM、data-to-state 延迟与 DataLoader 吞吐基准随项目发布（0.6.0 公告）。
• 云端数据加载：QDP 支持从 S3、GCS 远程 URL 读取数据（0.6.0 公告 Other Improvements 一节）。
• 纯 PyTorch 参考实现：用于正确性比对与 CPU 回退（0.6.0 公告）。
• 工程配套：文档站（Docusaurus）、故障排查指南、类型注解、Ruff 与类型检查 CI 等（0.6.0 公告）。

五、快速上手

以下命令与代码引自官方 PyPI 包页（https://pypi.org/project/qumat/ ）与官方博客发布说明，本文不做本地实测。

安装基础包：

pip install qumat

安装含 QDP 的版本（官方博客原文命令）：

pip install "qumat[qdp]==0.6.0"

官方 PyPI 页 Quick Start 给出的量子电路示例（原文语句）：

from qumat import QuMat
qumat = QuMat({"backend_name": "qiskit", "backend_options": {"simulator_type": "aer_simulator"}})
qumat.create_empty_circuit(num_qubits=2)
qumat.apply_hadamard_gate(0)
qumat.apply_cnot_gate(0, 1)
qumat.execute_circuit()

官方 PyPI 页给出的 QDP 数据编码示例（原文语句）：

import qumat.qdp as qdp
engine = qdp.QdpEngine(device_id=0)
qtensor = engine.encode([1.0, 2.0, 3.0, 4.0], num_qubits=2, encoding_method="amplitude")

官方文档入口：Qumat 文档 https://mahout.apache.org/docs/qumat/ ，QDP 文档 https://mahout.apache.org/docs/qdp/ ，基础门介绍 https://mahout.apache.org/docs/qumat/basic-gates/ 。

六、适用场景与限制

适用场景：

• 量子机器学习研究与教学：统一 API 下比较不同量子后端，或以参数化门构建变分电路。
• 数据到态制备的工程加速：已验证需要高吞吐量子态数据装载的 QML 管线（官方基准覆盖 SVHN 训练与量子核 SVM）。
• GPU 环境下的编码流水线：CUDA 与 ROCm 双路径支持异构硬件选型。

限制与注意点：

• 经典机器学习线（Samsara/MapReduce、发行版 14.1）处于维护模式，不再建议作为新项目的基础。
• QDP 加速路径需要兼容的 GPU 运行时：CUDA 路径限 Linux x86_64，AMD 路径限 ROCm 环境（发布公告原文）；无 GPU 时仅有纯 PyTorch 参考实现可回退。
• Python 版本窗口较窄（>=3.10 且 <3.13），QDP 原生 wheel 目前仅覆盖 cp310-cp312。
• 项目整体处于从经典机器学习向量子机器学习转型的阶段，选型时应以量子场景为前提。

七、同类选型对比

对比对象：Qiskit 与 PennyLane（同为量子计算/量子机器学习框架），另列 Spark MLlib 作为经典分布式机器学习场景的对照项。GitHub stars 维度：GitHub 仓库页面经本文取证通道未能取回可靠计数值，统一标注官方未公布。版本与时间来自 PyPI 与 Maven Central（2026-10-18 查询）。

选型建议：以量子机器学习为主、且关注数据装载与 GPU 编码吞吐的团队可试点 Mahout Qumat+QDP；需要最完整量子算法生态时选 Qiskit，需要与 PyTorch 紧耦合的自动微分量子线路时选 PennyLane；经典分布式机器学习场景则直接选择 Spark MLlib。

八、参考链接

• 官网首页：https://mahout.apache.org/
• Qumat 0.6.0 发布公告：https://mahout.apache.org/blog/2026/06/01/Qumat-0.6.0-Release
• 官方发行目录：https://downloads.apache.org/mahout/
• PyPI 包页：https://pypi.org/project/qumat/
• Qumat 文档：https://mahout.apache.org/docs/qumat/
• QDP 文档：https://mahout.apache.org/docs/qdp/