胶囊网络：将CNN推下神坛的“天命之子” | 界面 · JMedia

文|脑极体

前不久，图灵奖得主Geoffrey Hinton的第一篇论文被扒了出来，在推特上引发了不少关注。

当然，让大家激动的并不是源自对“大神”科研处女作的好奇，也不是提出的算法有多么颠覆，而是Hinton这位AI界的人形自走教科书，早在40年前这篇论文中，就提出了“让AI具备空间感”的松弛算法，解题思路与2017年其提出的“胶囊网络”不谋而合。

要知道，“胶囊网络”早已是公认将成为下一代深度学习基石、CNN“接班人”的神经网络。

经历了长达四十年的思考，“胶囊网络”将会怎样大显神威，技术背后代表的未来能量才是让网友们“鹅妹子嘤”的地方啊~

如果你还不太了解“胶囊网络”，或是对其最新进展不甚了了，那么，不妨跟随这篇文章，来系统性地了解一下这个人工智能未来的“种子选手”。

神经网络“宫心计”：胶囊是如何“争宠”的？

对AI发展略有了解的同学们可能都知道，Hinton被人所熟知，并获得图灵奖，主要归功于其在深度神经网络上的贡献。

1986年，Hinton发表了《Learning representations by back-propagation errors》（通过反向传播误差来学习表征），作为这位图灵奖得主的代表作之一，标志着反向传播算法正式被引进深度学习，这对人工智能的应用有着重大的意义。

反向传播出现之前，多层神经网络的训练主要是通过前向传递来输入信号，直至产生误差，再进行优化。以梯度下降（Gradient Descent）为例，输入数据每向前走一步，都沿着最陡峭的地方下脚，就这样一步步走到山底（梯度的反方向）。因此，该算法可以直接将每层的误差反馈给系统，并进行参数优化。

但这种方式在应对具有多个隐层的神经网络时，就有些力不从心了。在下降时隐层中的误差无法被直接反馈出来，因此其权重参数也就不能直接被优化，这就给神经网络的性能表现带来了极大的不稳定性。

怎样才能将隐层的误差表示出来呢？反向传播算法的出现是一场“及时雨”。

它的原理简单来说，就是一旦下降时（即前向传播）输出层没有得到适当而明确的误差参数，那么反向传播就会借助转置权重矩阵，让误差可以被隐藏层感知到，进而产生“间接误差”。而隐藏层的权重矩阵就可以借助间接误差进行更新。这样反复迭代，就能将包含隐藏层的多层神经网络误差降到最小。

正是在此基础上，卷积神经网络展现出了前所未有的性能。

输入数据的特征经过归一化处理后，就会进入隐含层中，完成卷积计算、池化、调参等一系列模拟神经元的操作，再输出成不同的识别效果。

这种分层认知特征的学习能力，和人类大脑的思维方式高度相似。这也是为什么，卷积神经网络在机器视觉及很多问题上都取得了当时最好的性能，成为应用最广泛的深度神经网络结构。

但是，受限于反向传播的天然缺陷，卷积神经网络并不完美，黑箱性、高消耗、迁移能力差等诸多问题，一直为学界和产业界所诟病。这也是为什么，Hinton一直在寻找着CNN的替代者。

2011年，Hinton认为目前的图像识别方法在智力上表现不够好，提出了“胶囊”的概念。数年之后，2017年10月，则在机器学习的顶级会议“神经信息处理系统大会（NIPS）”上发表了题为《胶囊之间的动态路由》的论文，提出了全新的深度学习方法——胶囊网络（CapsNet）。

“胶囊”代表图像中特定实体的各种特征，比如位置、大小、方向、速度、色调、纹理等等，作为一个单独的逻辑单元存在。然后，使用一个协议路由算法，当胶囊将自己学习并预测到的数据传递给更高层次的胶囊时，如果预测一致，更高级别的胶囊变得活跃，这个过程就被称作动态路由。

随着路由机制的不断迭代，就能够将各种胶囊训练成学习不同思维的单元。例如，让神经网络识别面部，就将面孔的不同部分分别“路由”到能够理解眼睛、鼻子、嘴、耳朵的胶囊里去。

换句话说，神经胶囊就是一组被打包好的神经元，它们在内部进行大量运算，然后仅向上输出一个结果——高维向量。

（胶囊网络流程）

那么，胶囊网络，比常规的卷积神经网络好在什么地方？大约可以总结为三点：

首先，卷积神经网络的输出结果是标量，而胶囊网络是带有方向的向量。而向量存在的意义是，胶囊网络不仅可以根据统计信息进行特征检测，比如根据眼睛鼻子嘴等五官识别出一张“脸”，还可以对特征进行理解，如果五官不在其特定的区域了，比如嘴长到了额头、眼睛长到了耳朵上，胶囊网络却不会像CNN一样含糊放过。因为它能够检测不同方向的同一个物体类别（例如，顺时针旋转），从而学习到基本的思维，知道到底什么样子的五官才能被称作是“脸”。

第二，卷积神经网络的每一层都需要做同样的卷积运算，因此需要相当多的网络数据才能学习，否则就无法精准地调参，非常耗时、低效且昂贵。比如让它学会认脸技能，需要投喂大量不同的变体，MNIST数据集就包含55,000个训练数据，即每个数字单元都有5,500个样本。

胶囊网络则要求模型在胶囊中学习特征变量，最大化保留那些有价值的信息，因此它可以使用更少的训练数据就推断出可能的变量，达到CNN的预期效果。这就使得它在人脸识别、图像识别、字符识别等领域的落地更受欢迎了。

（MultiMNIST数据集中，胶囊网络输出性能远超CNN）

第三，卷积神经网络不能很好地处理模糊性，因为不断池化会丢失许多重要的特征信息，因此对微小的变化不甚敏感，在完成语义分割等复杂任务时，需要构建复杂的体系结构来解决信息丢失问题。也难怪Hinton会说出“CNN分类正确率很高，看似一个大好局面，实则是一场灾难”的话了。

但胶囊网络不同，由于每个胶囊都携带了大量的信息，目标位置、旋转、厚度、倾斜、大小等详细信息都被保存并平移给了上层胶囊，自然也就可以用简单一致的架构应对不同的视觉任务。

听起来是不是还蛮不错的，别激动，除此之外，胶囊网络还有一个比较“形而上”的优势，那就是它的传输和运算逻辑更符合人脑神经元的工作方式，不同的胶囊可以携带不同属性，就像人脑的不同区域负责不同的工作。因此，其智能化表现上更加优秀，能够举一反三。

比如下面这些自由女神像，各种角度都能认出来，对胶囊网罗来说非常简单。而CNN在模拟人类神经元这件事上，却只能“有多少人工（数据）就有多少智能”，真是高下立见啊。

胶囊神经网络想要上位，差在哪些地方？

被AI教父亲口断定没有前途，一场神经网络界庶长子与嫡次子的夺位之战即将拉开序幕……

显然，又聪明又能干又会过日子的“胶囊网络”才是民心所向，2018年2月该论文第一作者刚刚在GitHub开源了胶囊网络的代码，就吸引来了数万人fork（复制源代码在其上开发）。

按理说，以AI算法的迭代速度，一年多时间怎么都够孵化出N个新模型了，比如AlphaGo开源并隐退后，很快又出现了强化版“师弟”AlphaGo Master，击败了世界排名第一的人类选手柯洁。五个月之后，更强的AlphaGozero从零自学了40天，又打败了AlphaGo Master版本。

既然如此，怎么胶囊网络就是“雷声大雨点小”呢？

显然，不是“嫡次子”能力不行，也不是智囊团不给力，而是想要真的把“ANN长子”拉下马，势必会遭遇若干阻碍，比如说：

1.模型训练的周期局限。由于需要在每个胶囊单元中完成计算（协议路由算法），导致其训练模型的时间更慢。在不同硬件和云服务器上的50迭代训练时间说明，与CNN相比，胶囊网络模型需要更大的耐心。

2.学术起步阶段的研究局限。目前针对胶囊网络的研究大多集中在零样本和少样本任务中，而且，胶囊网络在CIFAR10数据集、ImageNet等大图像上的准确性并没有CNN的高。产业端自然不会在缺乏足够实验例证、投资回报不明晰的前提下，贸贸然就选择跟进了。

3.胶囊网络自身的性能局限。与CNN一样，胶囊网络也有其不完美之处，比如胶囊拥挤，即如果一个胶囊网络彼此之间太接近，就没有办法区分出同一类型的两个对象。因此在模型中，给定的位置上只能有一个给定类型的胶囊，这就大大局限了其现实中应用的条件。

从某种程度上来说，胶囊网络还是一个刚刚坠地的孩童，距离拿下CNN的位置还是非常遥远的。

但是也别急着失望，让CNN在现阶段发光发热，同时继续培养未来堪当大任的接班人，这样生生不息的AI未来也蛮值得期待的，“养成”也是一种乐趣嘛~

学而时习之：胶囊网络的新发现

虽然现在的胶囊网络还很弱小，但并不妨碍无数“最强大脑”拼命教它本领。那么近两年来，胶囊网络有哪些新的发现可以给大家汇报一下呢？

有几个重要的成就值得说说：

1.通过胶囊网络抵御对抗性攻击

还是熟悉的配方，还是熟悉的味道。在胶囊网络模型提出的一年之后，原作者团队（Sabour、Frosst 以及 Hinton）在2018年的机器学习安全研讨会中展示了自己的新成果——胶囊网络在抵御对抗性攻击上的能力。

对抗性攻击会对传统的CNN产生较大影响，比如不同方向的图片，CNN很容易辨认不清，如果一些特征被放置在了错误的地方，CNN也会被图片所欺骗。这会引发一系列安全问题，比如自动驾驶汽车搞混了真的人脸与打印的人脸。

对此，原团队提出了一种与攻击独立的检测技术——DARCCC，它能够识别出真实图像和GAN生成的图像在距离上的分布误差，从而有效检测出“对抗”图像，防止系统被假图片欺骗而导致错误的分类。

（用真实数据和对抗样本分别训练出的胶囊网络，后者重构出的图像更像“1”）

2.胶囊网络+图卷积GCN的图分类能力

图分类是一个应用非常广泛的技术，在分子表示、社会网络分析、金融等领域，都需要从图形中提取特征信息，并对其进行结构化的数据表示和分类。但是，已有的CNN分类算法在运行过程中，往往需要固定大小的矩阵，但图形节点和边的数量却可能存在很大的变化，给任务带来很大的困难。

而判断特征之间的相似性，正是胶囊网络所擅长的。因此，有研究团队将胶囊网络与图卷积GCN相结合，开发出了新的图分类模型。靠胶囊网络记住图结构中的丰富信息，以及图的节点和边等实体特征，将其转化成向量。再将CNN和胶囊层结合在一起，从而提高分类性能。

实验结果表明，在所有7个基准数据集上，胶囊网络的加入确实效果优于CNN分类器。不过，执行速度也比CNN慢上八倍，同志仍需努力呀。

3.胶囊网络+注意力机制=零样本意图识别

在少量样本或无样本情况下，对新的类别进行理解，是困扰学界和产业界的老大难问题。比如在智能问答和对话系统中，如何快速识别明明确新用户的对话和意图，对其进行正确分类和处理，就是提升智能对话、降低无效沟通的重要课题。

就在前不久，ACL 2018中就出现了相关研究，研究人员首先通过与训练方式提取文本信息，对其层次特征进行向量化处理。然后利用胶囊动态路由算法，将新的用户意图与已有用户意图之间的相似度进行对比，再将已有用户意图上的信息迁移至新的用户意图分类上，从而实现对新意图的预测。

在SNIPS-NLU和CVA两个语音助手数据集上，胶囊网络的加入都让语义理解能力有了一定的提升。

关于胶囊网络的相关学术论文还有不少，比如基于胶囊网络的手势识别，正确率达到94.2%，能够帮助听障人群进行更有效地沟通；以及在ICLR 2019上发表的图片分类新框架胶囊图神经网络（CapsGNN），也是将胶囊网络与图神经网络（GNN）结合的新模型。

如果说以卷积神经网络为尊，是现阶段AI产业的“原教旨主义”，胶囊网络显然正在让这一信仰土崩瓦解。不过，从实验室到真实的应用体系中，想要真正取代CNN，还有千千万万特殊问题亟待处理。但如果把它当做一个思路，与现有的深度学习模型相结合，那么现在，胶囊网络就可以给予我们不少意外和惊喜。

这当然仅仅是个开始，正如不断手撕CNN的Hinton所总结的——科学是踩着葬礼前行的。站在前人的肩膀上前行，才能让人工智能始终作为一种“杀手锏”式技术，成为我们博弈未来的武器。