现在我们都知道Geoffrey Hinton的胶囊网络(Capsule Network)震动了整个人工智能领域，它将卷积神经网络(CNN)的极限推到一个新的水平。 网上已经有很多的帖子、文章和研究论文在探讨胶囊网络理论，以及它如何做的比传统的CNN更好。因此我不打算介绍这方面的内容，而是尝试使用谷歌的Colaboratory工具在TensorFlow上实现CpNet。

你可以通过下面的几个链接了解CpNet的理论部分：

Geoffrey Hinton的演讲：“卷积神经网络的问题是什么？”胶囊网络正在震动人工智能领域胶囊之间的动态路由现在我们开始写代码。

开始之前，你可以参考我的CoLab Notebook执行以下代码:

CoLab网址：https://goo.gl/43Jvju

现在克隆github上的仓库并安装依赖库。 然后，我们从仓库中取出MNIST数据集，并将其移至父目录：

!git clone https://github.com/bourdakos1/capsule-networks.git

!pip install -r capsule-networks / requirements.txt

!touch capsule-networks / __ init__.py

!mv capsule-networks capsule

!mv capsule / data / ./data/

!ls

现在让我们导入所有的模块：

import os

import tensorflow as tf

from tqdm import tqdm

from capsule.config import cfg

from capsule.utils import load_mnist

from capsule.capsNet import CapsNet

初始化capsNet = CapsNet(is_training = cfg.is_training)1这就是胶囊网络(CpNet)在Tensorboard图上的样子：

训练

tf.logging.info('Graph loaded')

sv = tf.train.Supervisor(graph = capsNet.graph,

logdir = cfg.logdir,

save_model_secs = 0)

path = cfg.results +'/accuracy.csv'

if not os.path.exists(cfg.results):

os.mkdir(cfg.results)

elif os.path.exists(path):

os.remove(path)

fd_results = open(path,'w')

fd_results.write('step,test_accn')

现在创建TF会话(session)并开始执行。

默认情况下，模型将被训练50个epoch，批次大小为128。 你可以尝试不同的超参数组合：

with sv.managed_session() as sess:

num_batch = int(60000 / cfg.batch_size)

num_test_batch = 10000 // cfg.batch_size

teX,teY = load_mnist(cfg.dataset,False)

for epoch in range(cfg.epoch):

if sv.should_stop():

break

for step in tqdm(range(num_batch),total=num_batch,ncols=70,leave=False,unit='b'):

global_step = sess.run(capsNet.global_step)

sess.run(capsNet.train_op)

if step % cfg.train_sum_freq == 0:

_,summary_str = sess.run([capsNet.train_op,capsNet.train_summary])

sv.summary_writer.add_summary(summary_str,global_step)

if (global_step + 1) % cfg.test_sum_freq == 0:

test_acc = 0

for i in range(num_test_batch):

start = i * cfg.batch_size

end = start + cfg.batch_size

test_acc += sess.run(capsNet.batch_accuracy,{capsNet.X: teX[start:end],capsNet.labels: teY[start:end]})

test_acc = test_acc / (cfg.batch_size * num_test_batch)

fd_results.write(str(global_step + 1) + ',' + str(test_acc) + 'n')

fd_results.flush()

if epoch % cfg.save_freq == 0:

sv.saver.save(sess,cfg.logdir + '/model_epoch_%04d_step_%02d' % (epoch,global_step))

fd_results.close()

tf.logging.info('Training done')

在NVIDIA TitanXp卡上运行50个epoch，花了大约6个小时。

但经过训练的网络效果惊人，总损失(total loss)达到了不可思议的0.0038874。

下载训练好的模型CpNet模型网址： https://goo.gl/DN7SS3

原文： Running CapsuleNet on TensorFlow