深度学习之父，Google Brain 人工智能团队首席科学家：Geoffrey Hinton，在10月份发表了备受瞩目的 Capsule Networks (CapsNet)，大有要用它取代 CNN —— 卷积神经网络模型的气势。Hinton 早在 2017 年 10 月，便发布《 Dynamic Routing Between Capsules 》论文，介绍全新的一代深度学习模型：胶囊网络。
目前的神经网络中，每一层的神经元都做的是类似的事情，比如一个卷积层内的每个神经元都做的是一样的卷积操作。而 Hinton 坚信，不同的神经元完全可以关注不同的实体或者属性，比如在一开始就有不同的神经元关注不同的类别（而不是到最后才有归一化分类）。具体来说，有的神经元关注位置、有的关注尺寸、有的关注方向。这类似人类大脑中语言、视觉都有分别的区域负责，而不是分散在整个大脑中。
为了避免网络结构的杂乱无章，Hinton 提出把关注同一个类别或者同一个属性的神经元打包集合在一起，好像胶囊一样。在神经网络工作时，这些胶囊间的通路形成稀疏激活的树状结构（整个树中只有部分路径上的胶囊被激活），从而形成了他的 Capsule 理论。
Capsule 这样的网络结构在符合人们“一次认知多个属性”的直观感受的同时，也会带来另一个直观的问题，那就是不同的胶囊应该如何训练、又如何让网络自己决定胶囊间的激活关系。Hinton 论文解决的重点问题就是不同胶囊间连接权重（路由）的学习。
只要你当前的深度学习环境中部署了：TensorFlow，NumPy 以及 GPU，便可在胶囊网络的开源页面上，下载代码，使用胶囊网络模型对 MNIST，CIFAR10 数据集进行测试验证。
项目GitHub地址