CapsNet入门系列之四：胶囊网络架构

作者：Max Pechyonkin

编译：weakish

编者按：深度学习开发者、Medium知名博主Max Pechyonkin刚刚发布了CapsNet入门系列的完结篇，带你领略CapsNet的架构。

简短公告：新专栏AI³，聚拢最优秀的博主，一起讨论人工智能和机器学习的理论、实践和业务。敬请关注，了解最新趋势。（译者注：这是本文作者在Medium上开设的专栏。）

介绍

本文将介绍CapsNet的体系结构，我同时尝试计算CapsNet的可训练参数数目。结果是大约820万可训练参数，与论文中的数字（113万6千）不同。论文本身不是很详细，没有涉及一些网络实现的具体设定，因此有一些问题我至今没有搞清楚（论文作者没有提供代码）。不管怎么说，我仍然认为计算网络的参数本身是一个很好的学习过程，因为它帮助人们理解特定架构的所有构建模块。

CapsNet由两部分组成：编码器和解码器。前3层是编码器，后3层是解码器：

第一层：卷积层

第二层：PrimaryCaps（主胶囊）层

第三层：DigitCaps（数字胶囊）层

第四层：第一全连接层

第五层：第二全连接层

第六层：第三全连接层

第一部分 编码器

CapsNet编码器架构，图片来源：原论文

上图中，网络的编码器部分接受一张28x28的MNIST数字图像作为输入，学习将它编码为由实例参数构成的16维向量（本系列前面几篇文章解释了这一过程），这也是胶囊进行工作的所在。预测输出是由DigitCaps输出的长度构成的10维向量。

第一层 卷积层

输入：28x28图像（单色）

输出：20x20x256张量

参数：20992

卷积层检测2D图像的基本特征。在CapsNet中，卷积层有256个步长为1的9x9x1核，使用ReLU激活。如果你不明白这句话是什么意思，这里有一些很棒的资源让你快速掌握卷积背后的关键概念。计算参数时，别忘了卷积层中的每个核有1个偏置项。因此这一层共有(9x9+1)x256 = 20992个可训练参数。

第二层 PrimaryCaps层

输入：20x20x256张量

输出：6x6x8x32张量

参数：5308672

这一层包含32个主胶囊，接受卷积层检测到的基本特征，生成特征的组合。这一层的32个主胶囊本质上和卷积层很相似。每个胶囊将8个9x9x253卷积核应用到20x20x256输入张量，因而生成6x6x8输出张量。由于总共有32个胶囊，输出为6x6x8x32张量。这一层共有5308672个可训练参数（计算过程与上一层类似）。

第三层 DigitCaps层

输入：6x6x8x32张量

输出：16x10矩阵

参数：1497600

这一层包含10个数字胶囊，每个胶囊对应一个数字。每个胶囊接受一个6x6x8x32张量作为输入。你可以把它看成6x6x32的8维向量，也就是1152输入向量。在胶囊内部，每个输入向量通过8x16权重矩阵将8维输入空间映射到16维胶囊输出空间。因此，每个胶囊有1152矩阵，以及用于动态路由的1152 c系数和1152 b系数。乘一下：1152 x 8 x 16 + 1152 + 1152，每个胶囊有149760可训练参数，乘以10得到这一层最终的参数数目。

损失函数

损失函数乍一看很复杂，但实际上并非如此。 它与SVM损失函数很像。回想一下，DigitCaps层的输出是10个16维向量，这有助于理解损失函数是如何工作的。训练时，对于每个训练样本，根据下面的公式计算每个向量的损失值，然后将10个损失值相加得到最终损失。我们正在讨论监督学习，所以每个训练样本都有正确的标签，在这种情况下，它将是一个10维one-hot编码向量，该向量由9个零和1个一（正确位置）组成。在损失函数公式中，正确的标签决定了Tc的值：如果正确的标签与特定DigitCap的数字对应，Tc为1，否则为0。

给原论文中的公式加上色彩

假设正确的标签是1，这意味着第一个DigitCap负责编码数字1的存在。这一DigitCap的损失函数的Tc为1，其余9个DigitCap的Tc为0。当Tc为1时，损失函数的第二项为零，损失函数的值通过第一项计算。在我们的例子中，为了计算第一个DigitCap的损失，我们从m+减去这一DigitCap的输出向量，其中，m+取固定值0.9。接着，我们保留所得值（仅当所得值大于零时）并取平方。否则，返回0。换句话说，当正确DigitCap预测正确标签的概率大于0.9时，损失函数为零，当概率小于0.9时，损失函数不为零。

正确与不正确DigitCap的损失函数的值。注意，红线没有绿线那么陡峭，这是由于等式中的lambda系数

对不匹配正确标签的DigitCap而言，Tc为零，因此将演算第二项。在这一情形下，DigitCap预测不正确标签的概率小于0.1时，损失函数为零，预测不正确标签的概率大于0.1时，损失函数不为零。

最后，公式包括了一个lambda系数以确保训练中的数值稳定性（lambda为固定值0.5）。这两项取平方是为了让损失函数符合L2正则，看起来作者们认为这样正则化一下效果更好。

第二部分 解码器

CapsNet解码器架构，来源：原论文

解码器从正确的DigitCap中接受一个16维向量，并学习将其解码为数字图像（请注意，它在训练时仅使用正确的DigitCap向量，忽略不正确的DigitCap）。解码器被用来作为正则子，它接受正确的DigitCap的输出作为输入，并学习重建一张28×28像素的图像，损失函数为重建图像与输入图像之间的欧氏距离。解码器强制胶囊学习对重建原始图像有用的特征。重建图像越接近输入图像越好。下图展示了一些重建图像的例子。

上为原始图像，下为重建图像。来源：原论文

第四层 第一全连接层

输入：16x10

输出：512

参数：82432

低层的每个输出加权后传导至全连接层的每个神经元作为输入。每个神经元同时具备一个偏置项。16x10输入全部传导至这一层的512个神经元中的每个神经元。因此，共有(16x10 + 1)x512可训练参数。

以下两层的计算与此类似：参数数量 = (输入数 + 偏置) x 层中的神经元数。

第五层 第二全连接层

输入：512

输出：1024

参数：525312

第六层 第三全连接层

输入：1024

输出：784（重整后重建28x28解码图像）

参数：803600

网络中的参数总数：8238608

结论

本文是CapsNet入门系列的最后一篇。网上有很多胶囊网络的资源，关于这一富有吸引力的主题，如果你想了解更多，可以看一下这个链接汇总（https://github.com/aisummary/awesome-capsule-networks）。

原文地址：https://medium.com/@pechyonkin/part-iv-capsnet-architecture-6a64422f7dce