此前，跨象乘云™ 介绍了《取代 CNN？Hinton 开源胶囊网络模型》。Geoffrey Hinton 认为，尽管卷积神经网络（Convolutional Neural Networks）已经做出了令人惊艳的成绩，但还是存在着一些根本性问题。是时候开始思考新的解决方案和改进了。现在就让我们一起来了解一下胶囊网络 —— CapsNet （Capsule Networks）将神经元的标量输出转换为向量输出提高了表征能力，我们不仅能用它表示图像是否有某个特征，同时还能表示这个特征的旋转和位置等物理特征。本文从可视化的角度出发详解释了 CapsNet 的原理的计算过程，非常有利于直观理解它的结构。
在过去的几个月里，Nick Bourdakos 一直沉浸在各种各样的胶囊网络里，觉得现在是时候一起更加深入地探索胶囊网络的实际运作方式了。为了让后面的讨论更加容易，我开发了一款与胶囊网络实现配套的可视化工具，它能够让您看到网络的每一层是如何工作的。如下所示，是 CapsNet 的结构。如果您现在还不理解每个部分的具体含义，不必担心。通过可视化教程，你能一层一层地进行详细讨论并了解 CapsNet 的工作原理。另外，你也可以通过机器之心的机器学习 GitHub 门户，了解更多机器学习的原理。
项目 GitHub 地址