以前鄒班的smt沒認真聽，還得重新回來撿。
參考自：
cnn的缺點：
忽略了中的位置資訊，如果在中檢測到眼睛鼻子等，就認為這是一張人臉，但如果把這些器官打亂，還是會誤識別為人臉，這是cnn中max pooling的特性造成的。
如上圖所示，我們通俗的將每個神經元的輸出理解為這張圖具有此特徵的可能性（接近1就越可能具有某種特徵），這裡是用乙個scale標量來表示是否具有此特徵，capsule的思想就是把這些特徵做出embedding，用乙個向量來表示。所以就使得神經元的輸出是向量而不是標量。
膠囊網路的單元結構和普通的神經元的區別在上圖很明顯了。核心思想大概就這些，具體細節或其他可以參考引用中的部落格或者原文。
深度學習 膠囊網路
cnn現存的問題就是池化提供了區域性不變性，但是丟失了位置等資訊。1和4無法檢測出來。使用膠囊作為網路的基本單元。計算結果封裝到乙個特徵向量中。用來表示可視實體，包括姿態 方位 大小等。動態路由演算法代替池化操作，以保留相關的方位資訊。特徵向量表示可視實體 實體的存在概率具有區域性不變性 膠囊覆蓋的...
膠囊網路原理
膠囊網路原 dynamic routing between capsules 中給出如下的網路結構 輸入層 卷積層 主膠囊層 數字膠囊層。圖中輸入為28 28的mnist手寫數字，經過256個9 9步長為1的卷積核得到20 20 256的特徵圖，該層就是普通的卷積神經網路，下一層採用8組9 9 32...
膠囊網路原理
膠囊網路原 dynamic routing between capsules 中給出如下的網路結構 輸入層 卷積層 主膠囊層 數字膠囊層。圖中輸入為28 28的mnist手寫數字，經過256個9 9步長為1的卷積核得到20 20 256的特徵圖，該層就是普通的卷積神經網路，下一層採用8組9 9 32...