一文读懂Hinton最新Capsules论文,CNN 未来向何处去

秒速五厘米 2022-06-06 08:53 134阅读 0赞

文章来源： 新智元 https://mp.weixin.qq.com/s/gdke9E1A3eRUzgidp9uOqg

邓侃

Hinton 上周发表的一篇论文 Dynamic Routing Between Capsules 提出用 Capsule 这个概念代替反向传播，引起广泛关注，大数医达创始人，CMU计算机学院暨机器人研究所博士邓侃用浅显的语言梳理解读了论文。邓侃认为，capsule 作为视觉数学表征，很可能是为了把视觉，听觉、阅读的原本相互独立的数学向量，统一起来，完成多模态机器学习的终极目标。

CNN 未来向何处去？

做领袖不容易，要不断地指明方向。所谓正确的方向，不仅前途要辉煌，而且道路要尽可能顺畅。

Geoffrey Hinton 是深度学习领域的领袖。2011 年，正当 CNN 模型爆发性地取得一个又一个靓丽成就时，老爷子却开始冷静地剖析 CNN 模型存在的致命弱点，指出前进的方向。

老爷子上周刚刚发表了一篇论文，题为 Dynamic Routing Between Capsules。一看这题目就预料得到，这篇论文一定会引起广泛关注。因为这题目里，涉及到两个概念，Capsule 和 Dynamic Routing。而这两个概念，正是老爷子主张的 CNN 前进的方向。

老爷子的论文，读起来略感晦涩，其实道理并不难懂。笔者尝试用浅显的语言，把论文梳理一下，或许有助于理解。

Capsule：实体的视觉数学表征

深度学习，其实就是一系列的张量变换。

从图像、视频、音频、文字等等原始数据中，通过一系列张量变换，筛选出特征数据，以便完成识别、分解、翻译等等任务。

譬如原始数据是 28 x 28 的黑白图像，每个黑白像素可以用 8 个 bits 来表达，那么这张黑白图像就可以用 28 \* 28 \* 8 的张量来表达，张量中每个元素的取值是布尔值，0 或者 1。

又譬如想识别在这些黑白图像中，是否包含从 0 到 9 的手写体数字，那么深度学习的传统做法是，输出一个 10 维向量，( x\_\{0\}, x\_\{1\}, ... x\_\{9\} )，其中每个元素 x\_\{i\} 的取值范围是 \[0, 1.0\]，表示出现相应数字的概率。

例如，输出的向量是 ( 0.2, 0.1, 0.7, 0.9, 0.2, ..., 0.1 )，那么意味着，图像中出现数字 2 的概率是 70%，出现数字 3 的概率是 90% 等等。

Capsule 的创新，在于改变了输出，不是输出一个向量，而是输出 10 个向量。每个向量分别表达某个数字的若干个属性。

老爷子的论文中，输出的是十个 16 维向量，( x\_\{i, j\} ) 其中 i = 0 ... 15, j = 0, ... 9。也就是说，老爷子认为每个手写体数字包含 16 个属性，包含几个圆圈，几个弯勾，几个折角，几根横竖，弯勾折角的大小，笔划的粗细，整个字体的倾斜度，等等。

Capsule 的想法，不难理解。但是仔细想想，存在以下几个问题。

1.  传统的图像识别的解决方案，是把识别问题转化为分类问题。这个方法已经足以解决识别问题。实体的视觉数学表征 capsule 的意义是什么？
    
      
    
2.  如何证明 16 维的 capsule 向量，能够作为手写体数字的视觉数学表征？为什么不是 32 维或者更多？
    
      
    
3.  Capsule 向量中的元素 x\_\{i\}，与实体的属性之间的关联，是机器自动学习出来的。但是是否可以被人为预先强制指定？
    
      
    
4.  低级 capsule 与高级 capsule 之间的关联关系，是机器自动学习出来的，还是可以被人为预先强制指定？

Capsule 的意义

老爷子试图用 capsule 向量，囊括实体的所有重要属性。如果某个实体的所有属性，都在图像中出现，那么可以确认，这个图像一定包含这个实体。所以他把这个向量，称为实体胶囊 capsule。

一个手写体数字，不管字体是否端正，笔划是粗还是细，圆圈和弯勾是大还是小，都用同一个胶囊 capsule 来表征。

一个轮胎，不管拍摄的角度如何，不管是正圆还是椭圆，不管轮毂是什么式样，也都可以用同一个胶囊 capsule 来表征。

说得抽象一点，capsule 就是实体的视觉的数学表征。

想起了词向量，word vector，词向量是文字词汇的数学表征。

能否把 capsule 和 word vector 统一起来，不管实体的表达是图像还是文字，都可以用同一个数学向量来表征？

论文中没有明说，但是老爷子多半心怀这个想法。

说得更直白一点，capsule 作为视觉数学表征，很可能是为了把视觉，听觉、阅读的原本相互独立的数学向量，统一起来，完成多模态机器学习的终极目标。

重构图像：验证 Capsule 的猜想

假设 capsule 包含了某个实体的所有重要视觉属性，那么理论上来说，应该可以从 capsule 还原包含该实体的图像。

为了证明这个猜测，论文使用了一个神经网络，把 capsule 向量作为输入，重构手写体数字图像并输出。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1][]

实验结果证明，capsule 确实能够重构出正确的手写体数字图像。

而且更让人惊奇的是，这些 capsules 中的某些属性，也就是 ( x\_\{i, j\} ), i = 0...15，j = 0...9，其中的几个 x\{i\}，具有明确的物理意义，譬如手写体字体大小宽窄倾斜度，以及字体中弯勾圆弧等局部特征的大小位置等等。

为什么每个手写体数字只包含 16 个属性，而不是 32 个或者更多属性？

16 个属性，已经足以正确地重构手写体数字图像。32 个或者更多属性，无非是表达方式更细腻而已，这个问题不太重要。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1 1][]

Dynamic Routing：从原始数据中寻找实体属性的存在证据

Capsule 向量的元素 x\_\{i\}，与实体的属性之间的关联，是人为确定的，还是机器自动对应的？

根据论文的描述，关联关系是机器自动对应的，所以在 capsule 向量 ( x\_\{i\} ), i = 0...15 中，某些 x\_\{i\} 的物理意义比较明确，其它 x\_\{i\} 的物理意义却可能难以解释。

假如人为强制指定 capsule 中各个 x\_\{i\}  的物理意义，换句话说，人为强制指定 capsule 向量元素 x\_\{i\} 与实体属性之间的关联关系，是否会有助于提高识别精度，降低训练数据的数量？

回答这个问题之前，需要先了解的 capsule 向量中 ( x\_\{i\} ) 的取值，是怎么来的。

前文说到，深度学习其实就是一系列的张量变换。通过一系列张量变换，从图像、视频、音频、文字等等原始数据中，筛选出特征数据，以便完成识别、分解、翻译等等任务。

论文使用了两层卷积神经网络，对原始黑白照片，也就是 28 \* 28 \* 8 的原始张量，用两层卷积，完成一系列张量变换，转变成新的张量 ( x\_\{attr, lon, lat, channel\} ) ，attr  = 0 ... 7, lon = 0 ... 5, lat = 0 ... 5, channel = 0 ... 31。

这个新张量中的 ( x\_\{attr\} ) 是初级 capsule，表达原始图像中值得注意的特征。其中 attr 代表初级 capsule 的属性，维度为 8。

新张量中的 ( x\_\{lon, lat\} )  表示 capsule ( x\_\{attr\} ) 在原始图像中的方位。经过张量变换后，28 \* 28 的原始图像，被缩略为 6 \* 6 个方位。( x\_\{channel\} ) 是频道，类似于多机位拍摄同一个场景，全面表达 capsule 在原始图像中的视觉特点，总共有 32 个频道。

在新张量中，总共有 lon \* lat \* channel = 6 \* 6 \* 32 = 1152 个初级 capsule ( x\_\{attr\} ) 。换句话说，经过一系列张量变换，从原始图像中，筛选出了 1152 个值得注意的图像特征。

高级 capsule 是前文说的十个手写体数字的 16 维属性向量，即 ( x\_\{attr, class\} ), attr = 0 ... 15, class = 0 ... 9。

想识别原始图像中，是否包含手写体数字 3，也就是 class = 2，只需要把 1152 个初级 capsules，逐一与高级 capsule 向量 x\_\{\*, 2\}  做比对。

如何做比对呢？先做一次线性变换，把 8 维的初级 capsule，变换成 16 维的初级 capsule。然后计算 16 维的初级 capsule 与 16 维的高级 capsule 之间的余弦距离，也就是两个向量之间的点乘。

从每个高级 capsule 出发，在低级 capsules 中寻找它存在的证据，这个过程，就是 Dynamic Routing。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1 2][]

如果某一个高级 capsule 中每一个属性，都能在 1152 个初级 capsules 中，找到 “对应的” 一个或多个 capsules，那么就证实了高级 capsule 中的这个属性，确实在图像中存在。

如果某一个高级 capsule 中的全部 16 个属性，都能在 1152 个初级 capsules 中，找到存在的证据，那么就认定这个高级 capsule 在原始图像中存在。

如果有多个高级 capsules，都能在 1152 个初级 capsules 中，找到各自存在的证据，那么就认定在原始图像中存在多个高级 capsules。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1 3][]

Capsule 与先验知识

回到前文的问题，假如人为强制指定 capsule 中各个 x\_\{i\}  的物理意义，换句话说，人为强制指定 capsule 向量元素 x\_\{i\} 与实体属性之间的关联关系，是否会有助于提高识别精度，降低训练数据的数量？

假如人为强制指定 capsule 中某个 x\_\{i\} 用于表达图像中是否存在圆圈，那么需要改变训练数据。

现在的训练数据，由输入和输出一对数据构成。输入数据是原始照片，输出数据是标签，说明原始照片中含有哪些数字。

如果要人为指定手写体数字的 capsule 中的元素 x\_\{i\}，那么需要改变训练数据。譬如输入是原始照片，输出的标签，是说明这张照片中是否有圆圈。

改变训练数据有什么意义？一个可能的意义是 transfer learning。

一张轮胎的照片中，也包含圆圈。用现在的方法，轮胎的照片无助于手写体数字的识别，但是用  transfer learning，可以用轮胎的照片，来训练机器识别圆圈，然后把识别圆圈的算法模块，融合到手写体数字的识别系统中。

至于用这种方法，是否能够提高识别精度，降低训练数据的数量，需要做实验来验证。

Parse Tree：实体特征的多层次分解，及与先验知识的融合

在原始图像中，识别手写体数字，这个实验比较简单。

假如设计一个难度更高的实验，在原始图像中，识别自行车。自行车由两个轮胎，两个脚踏板，一个龙头和骨架等等构件组成。

要完成这个实验，需要先识别原始图像中，是否存在轮胎、脚踏板、龙头和骨架等等构件。然后识别这些构件之间的位置关系。

老爷子提议，用 Parse Tree 来分解整个识别任务，从原始图像，到图像特征，到不同构件，到自行车的识别。

Parse Tree 的生成，当然可以完全靠机器，从大量训练数据中自动学习。而且是一气呵成地完成各个环节，从原始图像，到图像特征，到不同构件，到最终的自行车识别。

但是如果融合先验知识，人为预先指定 Parse Tree 的结构，或许有助于把识别自行车的问题，拆解为若干子问题，分别识别轮胎、脚踏板、龙头和骨架等等构件，然后再把子模块整合成为自行车的识别系统。

当然，把大问题拆解为若干子问题，需要针对各个子问题，准备各自的训练数据。

这样做是否有利于提高识别精度，降低训练数据的数量，也需要做实验来验证。

[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1]: /images/20220606/cc4780d47dd040b1b2a95b59550a6adc.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1 1]: /images/20220606/f95fa6740af3442eaf5ae5bf72d23191.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1 2]: /images/20220606/fbb731edc96f48a59bf132ec755a128d.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1 3]: /images/20220606/9f5e28c95d3e4a259b72d36c55195002.png