最近在跟踪keras的contri版的更新时，发现了冒出了一个Capsule层。于是我百度+谷歌一顿操作猛如虎，才发现在很早之前，胶囊网络的概念就提出了。但是限于胶囊网络的performance并不是在各个数据集都是碾压的情况，并且其计算量偏大，训练时间偏长，所以并没有被广泛的运用和替换。但是在官方给出的测试结果来看，其实效果还是挺不错的。
以上是原论文（https://arxiv.org/pdf/1710.09829.pdf）在mnist是数据集上的结果，结果是指错误率，可见效果还是有小幅提升的。在介绍胶囊网络之前，给大家推荐一篇博客，写得很好。先读懂CapsNet架构然后用TensorFlow实现：全面解析Hinton提出的Capsule | 机器之心。同时，在keras上有开发者提供的capsule层源码：keras-contrib/capsule.py at master · keras-team/keras-contrib · GitHub。本文将会以该源码为主，从各大博客的角度以及个人观点介绍胶囊网络。
另外，欢迎大家看看我之前介绍的bert模型 源码剖析transformer、self-attention（自注意力机制）、bert原理！_罗小丰同学的博客-CSDN博客_自注意力机制代码，两者在层的设计上游异曲同工之处
一、什么是胶囊网络？
看看博客中的一张图，简单明了。
简而言之就是，我有一个权重（叫做胶囊权重），它来来回回地跟输入数据做计算，一边计算一边更新自己（路由算法）
文章评论