胶囊网络（Capsule）学习笔记

Posted 2021-07-16 梆子井欢喜坨

1. 前言

最近学习了一下胶囊网络（Capsule Net），这里写一篇博客记录学习笔记。
胶囊网络于2017年，由深度学习先驱Hinton发布的开源论文《Dynamic Routing Between Capsules》提出。
胶囊网络的特点是“vector in vector out”，取代了以往神经元的“scalar in scalar out”。
Q: 什么是“胶囊”呢？
A: 只要把一个向量当作一个整体来看，它就是一个“胶囊”。
每一个胶囊表示一个特征，Capsule输出的向量的模值大小表示有没有这个特征，而向量的每一维表示这个特征的特点。
以前只是用一个标量表示有没有这个特征（比如有没有鸟嘴），现在我们用一个向量来表示，不仅仅表示有没有，还表示“有什么样的”（比如鸟嘴的颜色、形状、方向等）。
如下图所示，以前可能要用两个不同的神经元来识别“朝左的鸟嘴”和“朝右的鸟嘴”。而这两个图像通过胶囊网络输出的向量可能都比较大，表明它们都是“鸟嘴”，而输出向量的某一维可能分别是1和-1，表明鸟嘴的朝向不同。

底层的胶囊和高层的胶囊构成一些连接关系，它们的关系会在下文中详细描述。

大致地了解了胶囊网络以后，直接进入正题，讲解胶囊网络的结构与算法。

2. 模型结构

2.1 高层特征是底层特征的某种聚类

Capsule的核心思想就是输出是输入的某种聚类结果。
假设有：
低层特征: u1, u2, u3, u4, u5
高层特征: v1, v2, v3, v4

Q: 如何融合这些特征，构成更高级的特征？
A: 用点积softmax做相似度的度量（类似于注意力机制），来决定高层特征中低层特征向量的占比。

（上图是一个较为直观的想法，来自参考资料[1]，论文中的计算细节与此不同）
观察上面的公式，发现左右两边都有vj，这就变成了一个“鸡生蛋，蛋升鸡”的问题。很容易能想到EM算法，如k-means聚类算法就是EM算法的一个特例。为了得到各个vj，设置初始值，然后开始迭代就好。输出是输入的聚类结果，而聚类通常都需要迭代算法，这个迭代算法就称为“动态路由”。

v1,v2,v3,v4其实就是各个底层传入的特征的累加。
squash函数只是做一个标量上的压缩，不改变向量的方向。

在论文中，$u_i$并不是直接进行加权求和得到$s_j$，而是与一个权重矩阵$W_{ij}$相乘，得到一个预测向量$\widehat{u_{j|i}}$，再进行求和。

$W_{ij}$是通过反向传播训练出来的，参数矩阵的个数等于输入输入胶囊数目乘以输出胶囊数目。

全连接版的capsule图示如下：

2.1 Squash

Hinton希望Capsule能有的一个性质是：胶囊的模长能够代表这个特征的概率，因此要做一个归一化操作。

当向量x的模长趋于正无穷时，squash(x)趋于1；当向量x的模长趋于0时，squash(x)趋于1。

如上图所示，在生成高层胶囊向量时，要做这样一个squash函数，squash函数只会压缩向量s的模值，不会改变s的方向。

2.2 Dynamic Routing

动态路由主要是指，计算高层胶囊v时，u1和u2对应的系数c1和c2不是通过反向传播学到的，而是在testing的时候在线动态更新得到的。

如果某一个向量与其它的向量距离较远的话，它的weight就会越来越小。
如下图所示，假设灰色的向量(s)与绿色和橙色的向量长得很像的话，就会越来越靠近它们。
迭代的计算过程示例，整个过程有点类似于聚类。

$b_{ij}$代表低层胶囊i和高层胶囊j匹配的概率，最初初始化均为0。
计算$v_j$的加权求和系数，是由$b_{ij}$经过softmax函数计算得到的。

下面来看看完整的动态路由算法：

大体思想与前述相同，需要注意的是$b_{ij}$的更新方式。
$b_{ij}$不断地累加当前迭代中$v_j$与预测向量$\widehat{u_{j|i}}$的相似度，然后进行softmax。

3. 在MNIST数据集上实验

论文中所用的模型

读原文没能完全理解论文中的卷积操作，参考知乎回答：如何看待Hinton的论文《Dynamic Routing Between Capsules》？ - 云梦居客

首先要把灰度图像转化为Capsule可用的形式
MNIST中的图像数据为28x28
第一个卷积层使用256个9x9的卷积核（stride = 1）提取特征，得到256x20x20的数据
第二层PrimaryCaps有32个通道的卷积核，每个primary capsule有8个卷积单元，每个卷积单元尺寸为9x9（stride = 2）

The second layer (PrimaryCapsules) is a convolutional capsule layer with channels of convolutional 32 8D capsules (i.e. each primary capsule contains 8 convolutional units with a 9x9 kernel and a stride of 2).
Each primary capsule output sees the outputs of all 256 × 81 Conv1 units whose receptive fields overlap with the location of the center of the capsule.

这里需要注意一下，一般来说，卷积核有几个通道，就输出几个feature map，那这里得到的数据应当是6x6x32。
（通过原文知道，这里卷积核大小应该是9x9x256）

与原文的Figure 2对比可以看出，原本convolution每次的计算输出是一个scalar value，现在到了PrimaryCaps这里成了一个长度为8的vector，也就是从6x6x1x32到了6x6x8x32。
这篇知乎回答的推测是用8个不同的conv2d层做了共8次32 channel, 9x9 kernel size和strides 2的卷积（每个conv2d分别一次），每次都得到一个6x6x1x32的输出，共8个，再把这些输出在6x6x1x32的第三个纬度上concatenate, 就得到了第二层最终的输出：6x6x8x32大小的高维矩阵。另一个个人的猜想是做了一个Depthwise Convolution，然后在同一个位置上不求和。暂不知道正确与否，可能要读源代码才能搞清楚。

经此，PrimaryCaps具有[32×6×6]胶囊输出(每个输出是8D向量)，并且[6 × 6]网格中的每个胶囊彼此共享它们的权重。
接下来对每个长度为8的vector做了文中的Eq. 1的向量单位化和缩放操作。

第三层(DigitCaps)在第二层的输出之上就开始使用动态路由算法。因为是手写数字的识别，所以最终输出的胶囊数量为10，每个胶囊的活动向量的长度表示每个类别的实例的存在，并用于计算分类损失。
现在我们有32×6×6个低层胶囊（8-D），要生成10个高层胶囊（16-D）
$W_{i,j}$是每个$u_i,i\in (1,32\times 6\times 6)$和每个$v_j,j\in (1,10)$之间的权重矩阵，尺寸为8x16。

另一部分是用解码器重构数字图像。
现在输入“1”的图片，希望第1个Cap输出的vector的模值越大，其他的Cap输出的vector的模值越小。
将CapsNet的输出输入一个NN试图重构数字的图像，比如输入“1”的图像，重构的时候就只用v1。

重构数字图像所用的网络结构，为一个全连接层

4. 实验结果分析

Baseline：CNN

调整v1中不同维度的值，就可以指导这个维度代表了什么特征，比如笔画的粗细，旋转等。

对重叠数字图像的识别

5. 胶囊与神经元对比

下面是来自参考3的一张图，很好地对比了胶囊与传统的神经元

例如识别数字“1”的图像和其翻转图像，在传统NN中输出应当是接近的，因为向量的每一维代表数字为几的概率。
而在CapsNet中，两张图像经过Cap 1 输出的向量v1的模值都会较大，表示这是1，但向量中每一维的值会是不同的。

相比采用Max Pooling的CNN，Capsule有看到输入之间的差别（输出的vector是不一样的），只不过在最后取norm的时候没有用这个差别。

6. 学习参考

[1] 揭开迷雾，来一顿美味的Capsule盛宴
[2] 李宏毅讲解胶囊网络
[3] naturomics/CapsNet-Tensorflow