當前的深度學習理論是由Geoffrey?Hinton大神在2007年確立起來的，但是如今他卻認為，“CNN的特征提取層與次抽樣層交叉存取，將相同類型的相鄰特征檢測器的輸出匯集到一起”是大有問題的。

去年9月，在多倫多接受媒體采訪時，Hinton大神斷然宣稱要放棄反向傳播，讓整個人工智能從頭再造。10月，人們關注已久的Hinton大神那篇Capsule論文"Dynamic Routing between Capsules"終于揭開面紗。

在論文中，Capsule被Hinton大神定義為這樣一組神經元：其活動向量所表示的是特定實體類型的實例化參數。他的實驗表明，鑒別式訓練的多層Capsule系統，在MNIST手寫數據集上表現出目前最先進的性能，并且在識別高度重疊數字的效果要遠好于CNN。

近日，該論文的一作Sara Sabour終于在GitHub上公開了該論文中的代碼。該項目上線5天便獲得了217個Star，并被fork了14218次。下面讓我們一起來看看Sara Sabour開源的代碼吧。

膠囊模型的代碼在以下論文中使用：

"Dynamic Routing between Capsules" by Sara Sabour, Nickolas Frosst, Geoffrey E. Hinton.

要求

• TensorFlow (?訪問 http://www.tensorflow.org?了解如何安裝和升級)

• NumPy (詳見?http://www.numpy.org/)

• GPU

運行測試代碼驗證設置是否正確，比如：

python layers_test.py

快速MNIST測試結果：

• 從以下網址下載并提取MNIST記錄到 $DATA_DIR/：https://storage.googleapis.com/capsule_toronto/mnist_data.tar.gz

• 從以下網址下載并提取MNIST模型檢測點（checkpoint）到$CKPT_DIR：

python experiment.py --data_dir=$DATA_DIR/mnist_data/ --train=false \
--summary_dir=/tmp/ --
checkpoint=$CKPT_DIR/mnist_checkpoint/model.ckpt-1

快速CIFAR10 ensemble測試結果：

• 從以下網址下載并提取cifar10二進制版本到$DATA_DIR/：

• https://www.cs.toronto.edu/~kriz/cifar.html

• 從以下網址下載并提取cifar10模型檢測點（checkpoint）到$CKPT_DIR：

• https://storage.googleapis.com/capsule_toronto/cifar_checkpoints.tar.gz

• 將提取的二進制文件目錄作為data_dir傳遞給（$DATA_DIR）

python experiment.py --data_dir=$DATA_DIR --train=false --dataset=cifar10 \
--hparams_override=num_prime_capsules=64,padding=SAME,leaky=true,remake=false \
--summary_dir=/tmp/ --checkpoint=$CKPT_DIR/cifar/cifar{}/model.ckpt-600000 \
--num_trials=7

Sample CIFAR10訓練命令：

python experiment.py --data_dir=$DATA_DIR --dataset=cifar10 --max_steps=600000\
--hparams_override=num_prime_capsules=64,padding=SAME,leaky=true,remake=false \
--summary_dir=/tmp/

Sample MNIST完整訓練命令：

python experiment.py --data_dir=$DATA_DIR/mnist_data/ --max_steps=300000\
--summary_dir=/tmp/attempt0/

Sample MNIST 基線訓練命令：

python experiment.py --data_dir=$DATA_DIR/mnist_data/ --max_steps=300000\
--summary_dir=/tmp/attempt1/ --model=baseline

上述模型的訓練期間在驗證集上進行測試

訓練中連續運行的注意事項：

• 在訓練中 --validate = true

• 總共需要總共2塊GPU：一個用于訓練，一個用于驗證

• 如果訓練和驗證工作位于同一臺機器上，則需要限制每個任務的RAM占用量，因為TensorFlow會默認為第一個任務分配所有的RAM，而第二個任務將無法進行。

在MultiMNIST上測試/訓練：

--num_targets = 2
--data_dir = $ DATA_DIR / multitest_6shifted_mnist.tfrecords@10

生成multiMNIST / MNIST記錄的代碼位于input_data / mnist / mnist_shift.py

生成multiMNIST測試分割的示例代碼：

python mnist_shift.py --data_dir=$DATA_DIR/mnist_data/ --split=test --shift=6
--pad=4 --num_pairs=1000 --max_shard=100000 --multi_targets=true

為affNIST泛化能力建立expanded_mnist： --shift = 6；--pad = 6。

Github地址：

https://github.com/Sarasra/models/tree/master/research/capsules

論文地址：

https://arxiv.org/abs/1710.09829

總結

以上是生活随笔為你收集整理的Hinton开源CapsuleNet的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。