新智元推荐
来源：专知
【新智元导读】10月26日，深度学习元老Hinton的NIPS2017 Capsule论文《Dynamic Routing Between Capsules》终于在arxiv上发表。今天相关关于这篇论文的TensorFlowPytorchKeras实现相继开源出来，让我们来看下。
论文地址：https://arxiv.org/pdf/1710.09829.pdf
摘要：Capsule 是一组神经元，其活动向量（activity vector）表示特定实体类型的实例化参数，如对象或对象部分。我们使用活动向量的长度表征实体存在的概率，向量方向表示实例化参数。同一水平的活跃 capsule 通过变换矩阵对更高级别的 capsule 的实例化参数进行预测。当多个预测相同时，更高级别的 capsule 变得活跃。我们展示了判别式训练的多层 capsule 系统在 MNIST 数据集上达到了最好的性能效果，比识别高度重叠数字的卷积网络的性能优越很多。为了达到这些结果，我们使用迭代的路由协议机制：较低级别的 capsule 偏向于将输出发送至高级别的 capsule，有了来自低级别 capsule 的预测，高级别 capsule 的活动向量具备较大的标量积。
CapsNet-PyTorch
python依赖包
Python 3
PyTorch
TorchVision
TorchNet
TQDM
Visdom
第一步在capsule_network.py文件中设置训练epochs，batch size等
BATCH_SIZE=100NUM_CLASSES=10NUM_EPOCHS=30NUM_ROUTING_ITERATIONS=3
Step 2开始训练. 如果本地文件夹中没有MNIST数据集，将运行脚本自动下载到本地. 确保 PyTorch可视化工具Visdom正在运行。
$sudo python3 -mvisdom.server & python3 capsule_network.py 基准数据
经过30个epoche的训练手写体数字的识别率达到99.48%. 从下图的训练进度和损失图的趋势来看，这一识别率可以被进一步的提高 。
采用了PyTorch中默认的Adam梯度优化参数并没有用到动态学习率的调整。 batch size 使用100个样本的时候，在雷蛇GTX 1050 GPU上每个Epochs 用时3分钟。
待完成
扩展到除MNIST以外的其他数据集。
主要借鉴了以下两个 TensorFlow 和 Keras 的实现:
Keras implementation by @XifengGuo
TensorFlow implementation by @naturomics
Many thanks to @InnerPeace-Wu for a discussion on the dynamic routing procedure outlined in the paper.
CapsNet-Tensorflow
Python依赖包
Python
NumPy
Tensorflow (I'm using 1.3.0, not yet tested for older version)
tqdm (for displaying training progress info)
scipy (for saving image)
*第一步 * 用git命令下载代码到本地.
$ git clone https://github.com/naturomics/CapsNet-Tensorflow.git$ cd CapsNet-Tensorflow
第二步下载MNIST数据集(http://yann.lecun.com/exdb/mnist/), 移动并解压到data/mnist 文件夹（当你用复制wget 命令到你的终端是注意渠道花括号里的反斜杠）
$ mkdir -p data/mnist$ wget -c -P data/mnist http://yann.lecun.com/exdb/mnist/{train-images-idx3-ubyte.gz,train-labels-idx1-ubyte.gz,t10k-images-idx3-ubyte.gz,t10k-labels-idx1-ubyte.gz}$ gunzip data/mnist/*.gz
第三步开始训练:
$ pip install tqdm # install it if you haven't installed yet$ python train.py
tqdm包并不是必须的，只是为了可视化训练过程。如果你不想要在train.py中将循环for in step ... 改成 ``for step in range(num_batch)就行了。
评估$ python eval.py --is_training False 结果
错误的运行结果(Details in Issues #8):
training loss
test acc
| Epoch | 49 | 51 |
|---|---|---|
| test acc | 94.69 | 94.71 |
Results after fixing Issues #8:
关于capsule的一点见解
一种新的神经单元(输入向量输出向量，而不是标量)
常规算法类似于Attention机制
总之是一项很有潜力的工作，有很多工作可以在之上开展
待办:
完成MNIST的实现Finish the MNIST version of capsNet (progress:90%)
在其他数据集上验证capsNet
调整模型结构
一篇新的投稿在ICLR2018上的后续论文(https://openreview.net/pdf?id=HJWLfGWRb) about capsules(submitted to ICLR 2018)
CapsNet-Keras
依赖包
Keras
matplotlib
第一步安装 Keras:
$ pip install keras
第二步用 git命令下载代码到本地.
$ git clone https://github.com/xifengguo/CapsNet-Keras.git$ cd CapsNet-Keras
第三步训练:
$ python capsulenet.py
一次迭代训练(default 3).
$ python capsulenet.py --num_routing 1
其他参数包括想 batch_size, epochs, lam_recon, shift_fraction, save_dir 可以以同样的方式使用。 具体可以参考 capsulenet.py
测试
假设你已经有了用上面命令训练好的模型，训练模型将被保存在 result/trained_model.h5. 现在只需要使用下面的命令来得到测试结果。
$ python capsulenet.py --is_training 0 --weights result/trained_model.h5
将会输出测试结果并显示出重构后的图片。测试数据使用的和验证集一样 ，同样也可以很方便的在新数据上验证，至于要按照你的需要修改下代码就行了。
如果你的电脑没有GPU来训练模型，你可以从https://pan.baidu.com/s/1hsF2bvY下载预先训练好的训练模型
结果
主要结果
运行 python capsulenet.py: epoch=1 代表训练一个epoch 后的结果 在保存的日志文件中，epoch从0开始。
| Epoch | 1 | 5 | 10 | 15 | 20 |
|---|---|---|---|---|---|
| train_acc | 90.65 | 98.95 | 99.36 | 99.63 | 99.75 |
| vali_acc | 98.51 | 99.30 | 99.34 | 99.49 | 99.59 |
损失和准确度：
一次常规迭代后的结果
运行 python CapsNet.py --num_routing 1
| Epoch | 1 | 5 | 10 | 15 | 20 |
|---|---|---|---|---|---|
| train_acc | 89.64 | 99.02 | 99.42 | 99.66 | 99.73 |
| vali_acc | 98.55 | 99.33 | 99.43 | 99.57 | 99.58 |
每个 epoch 在单卡GTX 1070 GPU上大概需要110s 注释:训练任然是欠拟合的，欢迎在你自己的机器上验证。学习率decay还没有经过调试, 我只是试了一次，你可以接续微调。
测试结果
运行 python capsulenet.py --is_training 0 --weights result/trained_model.h5
模型结构:
其他实现代码
Kaggle (this version as self-contained notebook):
MNIST Dataset running on the standard MNIST and predicting for test data
MNIST Fashion running on the more challenging Fashion images.
TensorFlow:
naturomics/CapsNet-Tensorflow
Very good implementation. I referred to this repository in my code.
InnerPeace-Wu/CapsNet-tensorflow
I referred to the use of tf.scan when optimizing my CapsuleLayer.
LaoDar/tf_CapsNet_simple
PyTorch:
nishnik/CapsNet-PyTorch
timomernick/pytorch-capsule
gram-ai/capsule-networks
andreaazzini/capsnet.pytorch
leftthomas/CapsNet
MXNet:
AaronLeong/CapsNet_Mxnet
Lasagne (Theano):
DeniskaMazur/CapsNet-Lasagne
Chainer:
soskek/dynamic_routing_between_capsules
参考网址链接：
https://github.com/gram-ai/capsule-networks
https://github.com/naturomics/CapsNet-Tensorflow
https://github.com/XifengGuo/CapsNet-Keras
本文经授权转载自专知：Quan_Zhuanzhi，特此感谢！返回搜狐，查看更多
责任编辑：
