胶囊网络（Capsule Network）的TensorFlow实现

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：

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：

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)

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_acc
)

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) + 
)
                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：