Hinton胶囊网络论文《Dynamic Routing between Capsules》的一作Sara Sabour日前在GitHub公布了代码，使用TensorFlow和NumPy实现，只有一台GPU也行，仅仅5天，fork的数量就超过了1.4万。
实际上，在官方代码公布前，已经有很多其他版本和实现。新智元也对胶囊网络的概念做过详细介绍：
[1]【大神Hinton】深度学习要另起炉灶，彻底抛弃反向传播
[2]【重磅】Hinton 大神 Capsule 论文首次公布，深度学习基石 CNN 或被取代
[3] Reddit 讨论：Hinton 的 Capsule 网络真的比 CNN 效果更好吗？
[4]【Hinton 碰撞 LeCun】CNN 有两大缺陷，要用 capsule 做下一代 CNN
[5]【一文读懂 Hinton 最新 Capsules 论文】CNN 未来向何处去
[6]【一文读懂 Hinton 最新论文】胶囊网络 9 大优势 4 大缺陷（视频 + PPT)
不过，在看代码前，还是有必要再次回顾这篇Hinton革新CNN的论文，Jonathan Hui在他的博客上对这篇论文做过拆解，从基本概念开始，读来非常友好。
用“Capsule”作为下一代CNN的理由
在深度学习中，神经元的激活水平通常被解释为检测特定特征的可能性。
但是，CNN善于检测特征，却在探索特征（视角，大小，方位）之间的空间关系方面效果较差。例如，下面这张图片可能会骗过一个简单的CNN模型，让CNN模型相信这是一张真实的人脸。
网友评论