网络智能总能超乎你的想象：胶囊网络 一种全新的富有吸引力的AI架构

网络智能总能超乎你的想象：胶囊网络 一种全新的富有吸引力的AI架构✔️更容易用激活向量理解图像。 ✔️routing-by-agreement算法使我们能够区分有重叠图像的对象。 要使用谷歌Colab支持，最吸引人的选项，请阅读谷歌Colab的免费GPU教程！✔️相比其他先进的技术，对MNIST数据集用胶囊网络有着最高的成功率。 ✔️使用较小的数据集将更加成功。(通过迫使模型在胶囊中学习特征变量，它可以更有效地用更少的训练数据推断出可能的变量。)

MultiMNIST 数据集的胶囊网络输出

MNIST的50次迭代用时 ⏳

与CNN相比，由于计算的复杂性，胶囊网络的训练时间较慢。以下是在各种硬件和云服务器上的50迭代训练时间:

肯定 :)

要使用谷歌Colab支持，最吸引人的选项，请阅读谷歌Colab的免费GPU教程！

胶囊网络的✔️优点和❌缺点

✔️相比其他先进的技术，对MNIST数据集用胶囊网络有着最高的成功率。

✔️使用较小的数据集将更加成功。(通过迫使模型在胶囊中学习特征变量，它可以更有效地用更少的训练数据推断出可能的变量。)

✔️routing-by-agreement算法使我们能够区分有重叠图像的对象。

✔️更容易用激活向量理解图像。

✔️胶囊网络能够保留诸如同变性、色调、姿势、反照率、质地、变形、速度和对象位置等信息。

❌和一些出色的模型相比，CIFAR10 在数据集的表现上并不成功

❌没有在大规模的数据集上测试

❌由于采用协议路由算法，训练模型需要更多的时间。

不同路由算法的胶囊网络模型的应用表明，它是一个需要更多实验和正在发展的课题。

如上面的图例所示，当仅仅改变Kim Kardashian的图片方向，预测的准确度就会大幅下降。右边的图片，我们能很容易地看出来一只眼睛和她的嘴巴都放在错误的位置，这不是一个人该有的模样。然而，我们却看到这张图是被预测为是人的可能性是0.9。

一个被训练地很好的CNN模型在这个方法上会有一些问题。除了很容易地被特征被放置在错误位置的图片欺骗，对于不同方向的图片，CNN模型也很容易辨认不明。

毫无疑问，CNN会受到对抗性攻击的影响。这是一个会引起安全问题的重要约束，尤其当我们将一个隐形样式嵌入到对象中使其看起来像其它东西时。但是，正如我们已知，我们可以通过胶囊网络来解决这个问题！

我们在胶囊网络中的学术论文

基于胶囊网络的手势识别（Recognition of Sign Language Using Capsule Networks）

视力和听力受损的人们可以在唇语或手和面部表情（如符号语言）的帮助下仍能交流。胶囊网络能帮助确保残疾人能不仅无障碍地生活而且可以通过健康有效的跟其他人沟通来提高生活质量。

在这项工作中，胶囊网络的手势数字识别正确率能达到94.2%：