一波疑问

事实上，看到笔者提出的这三点新东西，读者应该就会有很多想法和疑问了，比如：

向量 vs 矩阵

矩阵和向量有什么区别呢？矩阵不也可以展平为向量吗？ 

其实是有点区别的。比如一个 4×4 的矩阵，跟一个 16 维的向量，有什么差别呢？答案是矩阵的不同位置的元素重要性不一样，而向量的每个元素的重要性都是一样的。

熟悉线性代数的读者应该也可以感觉到，一个矩阵的对角线元素的地位“看起来”是比其他元素要重要一些的。

从计算的角度看，也能发现区别：要将一个 16 维的向量变换为另外一个 16 维的向量，我们需要一个 16×16 的变换矩阵；但如果将一个 4×4 的矩阵变换为另外一个 4×4 的矩阵，那么只需要一个 4×4 的变换矩阵，参数量减少了。

从这个角度看，也许将 Capsule 从向量变为矩阵的根本目的是降低计算量。

立方阵

以后的 Capsule 可能是“立方阵”甚至更高阶张量吗？

不大可能。因为更高阶张量的乘法本质上也是二阶矩阵的乘法。

GMM vs K-Means 

GMM 聚类与你之前说的 K-Means 聚类差别大吗？ 

这个得从两个角度看。一方面，GMM 可以看成是 K-Means 的升级版，而且它本身就是可导的，不需要之前的“软化”技巧，如果在 K-Means 中使用欧氏距离的话，那么 K-Means 就是 GMM 的一个极限版本。

但另一方面，K-Means 允许我们更灵活地使用其他相似的度量，而 GMM 中相当于只能用（加权的）欧氏距离，也就是把度量“写死”了，也是个缺点。总的来说，两者半斤八两吧。

Capsule 版的卷积

Capsule 版的卷积是怎么回事？ 

我们所说的动态路由，事实上就只相当于深度学习中的全连接层，而深度学习中的卷积层则是局部的全连接层。那么很显然，只需要弄个“局部动态路由”，那么就得到了 Capsule 版的卷积了。

这个东西事实上在 Hinton 上一篇论文就应该出现，因为它跟具体的路由算法并没有关系，但不知为何，Hinton 在这篇新论文才实现了它。

GMM 模型简介

既然这篇新论文用到了 GMM 来聚类，那么只要花点功夫来学习一下 GMM 了。理解 GMM 算法是一件非常有意思的事情，哪怕不是因为 Capsule——因为 GMM 模型能够大大加深我们对概率模型和机器学习理论（尤其是无监督学习理论）的理解。

当然，只想理解 Capsule 核心思想的读者，可以有选择地跳过比较理论化的部分。

本质

事实上，在我们脑海里最好不要将 GMM 视为一个聚类算法，而将它看作一个真正的无监督学习算法，它试图学习数据的分布。数据本身是个体，而分布则是一个整体，从研究数据本身到研究数据分布，是质的改变。

GMM，全称 Gaussian Mixed Model，即高斯混合模型；当然学界还有另一个 GMM——Generalized Method of Moments ，是用来估计参数的广义矩估计方法，但这里讨论的是前者。

具体来说，对于已有的向量 x1,…,xn，GMM希望找到它们所满足的分布 p(x)。当然，不能漫无目的地找，得整一个比较简单的形式出来。GMM 设想这批数据能分为几部分（类别），每部分单独研究，也就是：

其中 j 代表了类别，取值为 1,2,…,k，由于 p(j) 跟 x 没关系，因此可以认为它是个常数分布，记 p(j)=πj。然后 p(x|j) 就是这个类内的概率分布，GMM 的特性就是用概率分布来描述一个类。

那么它取什么好呢？我们取最简单的正态分布，注意这里 x 是个向量，因此我们要考虑多元的正态分布，一般形式为：

其中 d 是向量 x 的分量个数。现在我们得到模型的基本形式：

求解

现在模型有了，但是未知的参数有 πj,μj,Σj，怎么确定它们呢？

理想的方法是最大似然估计，然而它并没有解析解，因而需要转化为一个 EM 过程，但即使这样，求解过程也比较难理解（涉及到行列式的求导）。

这里给出一个比较简单明了的推导，它基于这样的一个事实——对于正态分布来说，最大似然估计跟前两阶矩的矩估计结果是一样的。

说白了，μj,Σj 不就是正态分布的均值（向量）和（协）方差（矩阵）嘛，我直接根据样本算出对应的均值和方差不就行了吗？

没那么简单，因为我们所假设的是一个正态分布的混合模型，如果直接算它们，得到的也只是混合的均值和方差，没法得到每一类的正态分布 p(x|j) 的均值和方差。

不过我们可以用贝叶斯公式转化一下，首先我们有：

比如对于均值向量，我们有：

这里 E[] 的意思是对所有样本求均值，那么我们就可以得到：

其中 p(j|x) 的表达式在 (4) 已经给出。类似地，对于协方差矩阵，我们有：

然后：

所以：

理论上，我们需要求解 (6)，(7)，(9) 构成的一个巨大的方程组，但这样是难以操作的，因此我们可以迭代求解，得到迭代算法：

其中为了突出加权平均的特点，上述迭代过程先将 (9) 式作了恒等变换然后代入 (6)，(7) 式。在上述迭代过程中，第一式称为 E 步，后三式称为 M 步，整个算法就叫做 EM 算法。

下面放一张网上搜索而来的动图来展示 GMM 的迭代过程，可以看到 GMM 的好处是能识别出一般的二次曲面形状的类簇，而 K-Means 只能识别出球状的。

△ 图2：GMM 迭代过程展示

约简

在 Capsule 中实际上使用了一种更加简单的 GMM 形式，在前面的讨论中，我们使用了一般的正态分布，也就是 (2) 式，但这样要算逆矩阵和矩阵的行列式，计算量颇大。

一个较为简单的模型是假设协方差矩阵是一个对角阵 Σj=diagσj，σj 是类别 j 的方差向量，其中表示该向量的第 l 个分量。这样相当于将 x 的各个分量解耦了，认为各个分量是独立的，(2) 式就变为：

而迭代过程也有所简化：

更简单些

如果所有的都取同一个常数 σ 呢？这就得到：

这样整个分布就更为简单了，有意思的是，在指数的括号内出现了欧氏距离。

更极端地，我们让 σ→0 呢？这时指数内的括号为无穷大，对于每个 xi，只有的那个 N(xi;μj,σ) 占主导作用，这时候根据 (4) 式，p(j|xi) 非零即 1（即使得最小的那个 j 的 p(j|xi) 为 1，其余为 0）。

这表明任意一个点只属于距离它最近的那个聚类中心，这就跟使用欧氏距离的 K-Means 一致了，所以说，基于欧氏距离的 K-Means 可以看作是 GMM 的一个极限。

新版路由

言归正传，还是说回 Capsule。我们说《Matrix Capsules with EM Routing》中用 GMM 算法完成了聚类过程，现在就来详细看看是怎么做的。

矩阵->向量

不得不说，新论文里边的符号用得一塌糊涂，也许能够在一堆混乱的符号中看到真理才是真正的大牛吧。这里结合网上的一些科普资料以及作者自己的阅读，给出一些理解。

首先，我们用一个矩阵 Pi 来表示第 l 层的 Capsule，这一层共有 n 个 Capsule，也就是 i=1,…,n；用矩阵 Mj 来表示第 l+1 层的 Capsule，这一层共有 k 个 Capsule，也就是聚为 k 类，j=1,…,k。

论文中 Capsule 的矩阵是 4×4 的，称之为 Pose 矩阵。然后呢，就可以开始 GMM 的过程了，在做 GMM 的时候，又把矩阵当成向量了，所以在 EM 路由那里，Pi 就是向量，即 d=16 。整个过程用的是简化版的 GMM，也就是把协方差矩阵约定为一个对角阵。

所以根据前面的讨论，可以得到新的动态路由算法：

这里记了 pij=N(xi;μj,σj),Rij=p(j|xi)，符号尽量跟原论文一致，方便大家对比原论文。这里的动态路由的思想跟《Dynamic Routing Between Capsules》的是一致的，都是将 l+1 层的 Capsule 作为 l 层 Capsule 的聚类中心，只是聚类的方法不一样而已。

激活值

在《Dynamic Routing Between Capsules》一文中，是通过向量的模长来表示该特征的显著程度，那么在这里还可以这样做吗？

答案是否定的。因为我们使用了 GMM 进行聚类，GMM 是基于加权的欧氏距离（本质上还是欧氏距离），用欧氏距离进行聚类的一个特点就是聚类中心向量是类内向量的（加权）平均（从上面MjMj的迭代公式就可以看出）。

既然是平均，就不能体现“小弟越多，势力越大”的特点，这我们在再来一顿贺岁宴 | 从K-Means到Capsule中就已经讨论过了。

既然 Capsule 的模长已经没法衡量特征的显著性了，那么就只好多加一个标量 a 来作为该 Capsule 的显著性。所以，这篇论文中的 Capsule，实际上是“一个矩阵 + 一个标量”，这个标量被论文称为“激活值”，如图：

△ 图3：这个版本的Capsule是“矩阵+标量”

作为 Capsule 的显著程度，aj 最直接的选择应该就是 πj，因为 l+1 层的 Capsule 就是聚类中心而 πj 就代表着这个类的概率。

然而，我们却不能选择 πj，原因有两个：

1. πj 是归一化的，而我们希望得到的只不过是特征本身的显著程度，而不是跟其他特征相比后的相对显著程度（更通俗点，我们希望做多个二分类，而不是一个多分类，所以不需要整体归一化）。

2. πj 确实能反映该类内“小弟”的多少，但人多不一定力量大，还要团结才行。那么这个激活值应该怎么取呢？论文给出的公式是：

我相信很多读者看到这个公式和论文中的“推导”后，还是不知所云。事实上，这个公式有一个非常漂亮的来源——信息熵。

现在我们用 GMM 来聚类，结果就是得到一个概率分布 p(X|j) 来描述一个类，那么这个类的“不确定性程度”，也就可以衡量这个类的“团结程度”了。

说更直白一点，“不确定性”越大（意味着越接近均匀分布），说明这个类可能还处于动荡的、各自为政的年代，此时激活值应该越小；“不确定性”越小（意味着分布越集中），说明这个类已经团结一致步入现代化，此时激活值应该越大。

因此可以用不确定性来描述这个激活值，而我们知道，不确定性是用信息熵来度量的，所以我们写出：

这就是论文中的那个，所以论文中的 cost 就是熵，多直观清晰的含义。而且熵越小越好，这也是多自然的逻辑。

为什么不直接积分算出正态分布的熵，而是要这样迂回地算？因为直接积分算出来是理论结果，我们这里要根据这批数据本身算出一个关于这批数据的结果。

经过化简，结果是（原论文计算结果应该有误）：

因为熵越小越显著，所以我们用 −Sj 来衡量特征的显著程度，但又想将它压缩为 0~1 之间。那么可以对它做一些简单的尺度变换后用 sigmoid 函数激活：

(15) 式和 (13) 式基本是等价的，上式相当于 −Sj 和 πj 的加权求和，也就是综合考虑了 −Sj（团结）和 πj（人多）。

其中 βa，βu 通过反向传播优化，而 λ 则随着训练过程慢慢增大（退火策略，这是论文的选择，我认为是不必要的）。

βa，βu 可能跟 j 有关，也就是可以为每个上层胶囊都分配一组训练参数 βa，βu。说“可能”是因为论文根本就没说清楚，或许读者可以按照自己的实验和需求调整。

有了 aj 的公式后，因为我们前面也说 aj 和 πj 有一定共同之处，它们都是类的某种权重，于是为了使得整个路由流程更紧凑，Hinton 干脆直接用 aj 替换掉 πj，这样替换虽然不能完全对应上原始的 GMM 的迭代过程，但也能收敛到类似的结果。

于是现在得到更正后的动态路由：

这应该就是最终的新的动态路由算法了，如果我没理解错的话，因为原论文实在太难看懂。

权重矩阵

最后，跟前一篇文章一样，给每对指标 (i,j) 配上一个权重矩阵 Wij（称为视觉不变矩阵），得到“投票矩阵”Vij=PiWij，然后再进行动态路由，得到最后的动态路由算法：

结语

评价

经过这样一番理解，应该可以感觉到这个新版的 Capsule 及其路由算法并不复杂。

新论文的要点是使用了 GMM 来完成聚类过程，GMM 是一个基于概率模型的聚类算法。

紧抓住“概率模型”这一特性，寻找概率相关的量，就不难理解 aj 表达式的来源，这应该是理解整篇论文最困难的一点；而用矩阵代替向量，应该只是一种降低计算量和参数量的方案，并无本质变化。 

只不过新论文传承了旧论文的晦涩难懂的表达方式，加上混乱的符号使用，使得我们的理解难度大大增加，再次诟病作者们的文笔。

感想

到现在，终于算是把《Matrix Capsules with EM Routing》梳理清楚了，至于代码就不写了，因为事实上我个人并不是特别喜欢这个新的 Capsule 和动态路由，不想再造轮子了。

这是我的关于 Capsule 理解的第三篇文章。相对于笔者的其他文章而言，这三篇文章的篇幅算得上是“巨大”，它们承载了我对 Capsule 的思考和理解。每一篇文章的撰写都要花上好几天的时候，试图尽可能理论和通俗文字相结合，尽可能把前因后果都梳理清楚。

希望这些文字能帮助读者更快速地理解 Capsule。当然，作者水平有限，如果有什么误导之处，欢迎留言批评。

当然，更希望 Capsule 的作者们能用更直观、更具启发性的语言来介绍他们的新理论，这就省下了我们这些科普者的不少功夫了。

毕竟 Capsule 有可能真的是深度学习的未来，怎可如此模糊呢？

相关链接

[1] Understanding Matrix capsules with EM Routing

https://jhui.github.io/2017/11/14/Matrix-Capsules-with-EM-routing-Capsule-Network/

点击以下标题查看相关内容：

• 揭开迷雾，来一顿美味的「Capsule」盛宴

• 再来一顿贺岁宴 | 从K-Means到Capsule

#榜 单 公 布 #

2017年度最值得读的AI论文 | NLP篇 · 评选结果公布

2017年度最值得读的AI论文 | CV篇 · 评选结果公布

我是彩蛋

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 进入作者博客