胶囊网络原理

一、整体结构

胶囊网络原论文《Dynamic Routing Between Capsules》中给出如下的网络结构：输入层、卷积层、主胶囊层、数字胶囊层。

图中输入为28×28的MNIST手写数字，经过256个9×9步长为1的卷积核得到20×20×256的特征图，该层就是普通的卷积神经网络，下一层采用8组9×9×32的卷积核卷积8次，会得到8组6×6×32的特征图，然后将每一个特征图展成一维，对应位置组合，一共得到1152个8维的向量神经元，也就是胶囊。最后通过动态路由算法得到数字胶囊层，数字胶囊层向量的模长大小就是预测结果。

二、主胶囊层详解

下图即为主胶囊层的计算过程，上一层得到的是20×20×256的特征图，接下来用8组9×9×32的卷积核进行步长为2的卷积操作，得到如下图所示的8组6×6×32的特征图，这里与普通卷积神经网络有了区别。然后将8组特征图都展成一维，然后对应位置合并，即可得到1152个胶囊。

三、动态路由算法

下图展示了动态路由算法的整个过程。

红框1：主胶囊层的结果，得到1152个胶囊（向量神经元）
红框2：一个全连接结构，一共10行，每行相当于1152个胶囊对该类别的贡献，对应于原论文公式2
红框3：c_ij是b_ij通过softmax得到，加权时候每行相加就得到s_i
红框4：向量压缩结果，通过squashing函数将模长压缩到0-1之间，对应原论文公式1
以上四步是动态路由前向传播，下图中蓝色向量代表红框2中的某一行胶囊的部分向量，红色箭头代表s_i，也就是最终所有向量共同作用的结果。

动态路由算法的权重更新公式如下：
b_ij=b_ij+U_ji · v_j
向量积的特点就是夹角θ越小，向量积越大，夹角为90°，向量积为0，大于90°为负，U_ji相当于单个胶囊的个人预测，v_j是所有胶囊共同作用的结果，所以向量积的大小代表了该胶囊对最终结果的一致程度，也就是耦合程度，如果向量积为负，耦合程度应该变小，如果向量积为正，耦合程度应该变大，这个更新公式正好实现，也就是原论文伪代码最后一行对应的公式。

四、损失函数

1、间隔损失（Margin Loss）

Tk表示k类是否存在，存在为1，不存在为0
m+ 为0.9，惩罚假阳性，k类存在但是预测不存在会导致损失函数很大
m− 为0.1，惩罚假阴性，k类不存在但是预测存在，会导致损失函数很大

2. 重构损失

由两部分组成，第一部分是间隔损失，第二部分是用原图片的28×28个像素减去重构的28×28个像素然后取平方和然后乘0.005，间隔损失占主要地位。

                                </div>