谷歌正式開源 Hinton 膠囊理論代碼，即刻用 TensorFlow 實現吧

雷鋒網 AI 研習社消息，相信大家對於「深度學習教父」Geoffery Hinton 在去年年底發表的膠囊網路還記憶猶新，在論文 Dynamic Routing between Capsules 中，Hinton 團隊提出了一種全新的網路結構。為了避免網路結構的雜亂無章，他們提出把關注同一個類別或者同一個屬性的神經元打包集合在一起，好像膠囊一樣。在神經網路工作時，這些膠囊間的通路形成稀疏激活的樹狀結構（整個樹中只有部分路徑上的膠囊被激活）。這樣一來，Capsule 也就具有更好的解釋性。

在實驗結果上，CapsNet 在數字識別和健壯性上都取得了不錯的效果。詳情可以參見終於盼來了Hinton的Capsule新論文，它能開啟深度神經網路的新時代嗎？

日前，該論文的第一作者 Sara Sabour 在 GitHub 上公布了論文代碼，大家可以馬上動手實踐起來。雷鋒網 AI 研習社將教程編譯整理如下：

所需配置：

• TensorFlow(點擊 http://www.tensorflow.org進行安裝或升級)

• NumPy (詳情點擊 http://www.numpy.org/)

• GPU

執行 test 程序，來驗證安裝是否正確，諸如：

python layers_test.py

快速 MNIST 測試：

• 下載並提取 MNIST tfrecord 到 $DATA_DIR/ 下：

  https://storage.googleapis.com/capsule_toronto/mnist_data.tar.gz

• 下載並提取 MNIST 模型 checkpoint 到 $CKPT_DIR 下：

  https://storage.googleapis.com/capsule_toronto/mnist_checkpoints.tar.gz

python experiment.py --data_dir=$DATA_DIR/mnist_data/ --train=false

--summary_dir=/tmp/ --checkpoint=$CKPT_DIR/mnist_checkpoint/model.ckpt-1

快速 CIFAR10 ensemble 測試：

• 下載並提取 cifar10 二進位文件到 $DATA_DIR/ 下：

  https://www.cs.toronto.edu/~kriz/cifar.html

• 下載並提取 cifar10 模型 checkpoint 到 $CKPT_DIR 下：

  https://storage.googleapis.com/capsule_toronto/cifar_checkpoints.tar.gz

• 將目錄（$DATA_DIR）作為 data_dir 來傳遞：

python experiment.py --data_dir=$DATA_DIR --train=false --dataset=cifar10

--hparams_override=num_prime_capsules=64,padding=SAME,leaky=true,remake=false

--summary_dir=/tmp/ --checkpoint=$CKPT_DIR/cifar/cifar{}/model.ckpt-600000

--num_trials=7

CIFAR10 訓練指令：

python experiment.py --data_dir=$DATA_DIR --dataset=cifar10 --max_steps=600000

--hparams_override=num_prime_capsules=64,padding=SAME,leaky=true,remake=false

--summary_dir=/tmp/

MNIST full 訓練指令：

• 也可以執行--validate=true as well 在訓練-測試集上訓練

• 執行 --num_gpus=NUM_GPUS 在多塊GPU上訓練

python experiment.py --data_dir=$DATA_DIR/mnist_data/ --max_steps=300000

--summary_dir=/tmp/attempt0/

MNIST baseline 訓練指令：

python experiment.py --data_dir=$DATA_DIR/mnist_data/ --max_steps=300000

--summary_dir=/tmp/attempt1/ --model=baseline

To test on validation during training of the above model:

訓練如上模型時，在驗證集上進行測試（記住，在訓練過程中會持續執行指令）：

• 在訓練時執行 --validate=true 也一樣

• 可能需要兩塊 GPU，一塊用於訓練集，一塊用於驗證集

• 如果所有的測試都在一台機器上，你需要對訓練集、驗證集的測試中限制 RAM 消耗。如果不這樣，TensorFlow 會在一開始佔用所有的 RAM，這樣就不能執行其他工作了

python experiment.py --data_dir=$DATA_DIR/mnist_data/ --max_steps=300000--summary_dir=/tmp/attempt0/ --train=false --validate=true

大家可以通過 --num_targets=2 和 --data_dir=$DATA_DIR/multitest_6shifted_mnist.tfrecords@10 在 MultiMNIST 上進行測試或訓練，生成 multiMNIST/MNIST 記錄的代碼在 input_data/mnist/mnist_shift.py 目錄下。

multiMNIST 測試代碼：

python mnist_shift.py --data_dir=$DATA_DIR/mnist_data/ --split=test --shift=6

--pad=4 --num_pairs=1000 --max_shard=100000 --multi_targets=true

可以通過 --shift=6 --pad=6 來構造 affNIST expanded_mnist

論文地址：https://arxiv.org/pdf/1710.09829.pdf

GitHub 地址：https://github.com/Sarasra/models/tree/master/research/capsules

雷鋒網 AI 研習社編譯整理。

（完）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！