一波疑問

事實上，看到筆者提出的這三點新東西，讀者應該就會有很多想法和疑問了，比如：

向量 vs 矩陣

矩陣和向量有什麼區別呢？矩陣不也可以展平為向量嗎？ 

其實是有點區別的。比如一個 4×4 的矩陣，跟一個 16 維的向量，有什麼差別呢？答案是矩陣的不同位置的元素重要性不一樣，而向量的每個元素的重要性都是一樣的。

熟悉線性代數的讀者應該也可以感覺到，一個矩陣的對角線元素的地位“看起來”是比其他元素要重要一些的。

從計算的角度看，也能發現區別：要將一個 16 維的向量變換為另外一個 16 維的向量，我們需要一個 16×16 的變換矩陣；但如果將一個 4×4 的矩陣變換為另外一個 4×4 的矩陣，那麼只需要一個 4×4 的變換矩陣，引數量減少了。

從這個角度看，也許將 Capsule 從向量變為矩陣的根本目的是降低計算量。 

立方陣

以後的 Capsule 可能是“立方陣”甚至更高階張量嗎？ 

不大可能。因為更高階張量的乘法本質上也是二階矩陣的乘法。 

GMM vs K-Means 

GMM 聚類與你之前說的 K-Means 聚類差別大嗎？ 

這個得從兩個角度看。一方面，GMM 可以看成是 K-Means 的升級版，而且它本身就是可導的，不需要之前的“軟化”技巧，如果在 K-Means 中使用歐氏距離的話，那麼 K-Means 就是 GMM 的一個極限版本。

但另一方面，K-Means 允許我們更靈活地使用其他相似的度量，而 GMM 中相當於只能用（加權的）歐氏距離，也就是把度量“寫死”了，也是個缺點。總的來說，兩者半斤八兩吧。

Capsule 版的摺積

Capsule 版的摺積是怎麼回事？ 

我們所說的動態路由，事實上就只相當於深度學習中的全連線層，而深度學習中的摺積層則是區域性的全連線層。那麼很顯然，只需要弄個“區域性動態路由”，那麼就得到了 Capsule 版的摺積了。

這個東西事實上在 Hinton 上一篇論文就應該出現，因為它跟具體的路由演演算法並沒有關係，但不知為何，Hinton 在這篇新論文才實現了它。 

GMM 模型簡介

既然這篇新論文用到了 GMM 來聚類，那麼只要花點功夫來學習一下 GMM 了。理解 GMM 演演算法是一件非常有意思的事情，哪怕不是因為 Capsule——因為 GMM 模型能夠大大加深我們對機率模型和機器學習理論（尤其是無監督學習理論）的理解。

當然，只想理解 Capsule 核心思想的讀者，可以有選擇地跳過比較理論化的部分。

本質

事實上，在我們腦海裡最好不要將 GMM 視為一個聚類演演算法，而將它看作一個真正的無監督學習演演算法，它試圖學習資料的分佈。資料本身是個體，而分佈則是一個整體，從研究資料本身到研究資料分佈，是質的改變。 

GMM，全稱 Gaussian Mixed Model，即高斯混合模型；當然學界還有另一個 GMM——Generalized Method of Moments ，是用來估計引數的廣義矩估計方法，但這裡討論的是前者。

具體來說，對於已有的向量 x1,…,xn，GMM希望找到它們所滿足的分佈 p(x)。當然，不能漫無目的地找，得整一個比較簡單的形式出來。GMM 設想這批資料能分為幾部分（類別），每部分單獨研究，也就是：

其中 j 代表了類別，取值為 1,2,…,k，由於 p(j) 跟 x 沒關係，因此可以認為它是個常數分佈，記 p(j)=πj。然後 p(x|j) 就是這個類內的機率分佈，GMM 的特性就是用機率分佈來描述一個類。

那麼它取什麼好呢？我們取最簡單的正態分佈，註意這裡 x 是個向量，因此我們要考慮多元的正態分佈，一般形式為：

其中 d 是向量 x 的分量個數。現在我們得到模型的基本形式：

求解

現在模型有了，但是未知的引數有 πj,μj,Σj，怎麼確定它們呢？

理想的方法是最大似然估計，然而它並沒有解析解，因而需要轉化為一個 EM 過程，但即使這樣，求解過程也比較難理解（涉及到行列式的求導）。

這裡給出一個比較簡單明瞭的推導，它基於這樣的一個事實——對於正態分佈來說，最大似然估計跟前兩階矩的矩估計結果是一樣的。

說白了，μj,Σj 不就是正態分佈的均值（向量）和（協）方差（矩陣）嘛，我直接根據樣本算出對應的均值和方差不就行了嗎？

沒那麼簡單，因為我們所假設的是一個正態分佈的混合模型，如果直接算它們，得到的也只是混合的均值和方差，沒法得到每一類的正態分佈 p(x|j) 的均值和方差。

不過我們可以用貝葉斯公式轉化一下，首先我們有：

比如對於均值向量，我們有：

這裡 E[] 的意思是對所有樣本求均值，那麼我們就可以得到：

其中 p(j|x) 的運算式在 (4) 已經給出。類似地，對於協方差矩陣，我們有：

然後：

所以：

理論上，我們需要求解 (6)，(7)，(9) 構成的一個巨大的方程組，但這樣是難以操作的，因此我們可以迭代求解，得到迭代演演算法：

其中為了突出加權平均的特點，上述迭代過程先將 (9) 式作了恆等變換然後代入 (6)，(7) 式。在上述迭代過程中，第一式稱為 E 步，後三式稱為 M 步，整個演演算法就叫做 EM 演演算法。

下麵放一張網上搜索而來的動圖來展示 GMM 的迭代過程，可以看到 GMM 的好處是能識別出一般的二次曲面形狀的類簇，而 K-Means 只能識別出球狀的。

△ 圖2：GMM 迭代過程展示

約簡

在 Capsule 中實際上使用了一種更加簡單的 GMM 形式，在前面的討論中，我們使用了一般的正態分佈，也就是 (2) 式，但這樣要算逆矩陣和矩陣的行列式，計算量頗大。

一個較為簡單的模型是假設協方差矩陣是一個對角陣 Σj=diagσj，σj 是類別 j 的方差向量，其中表示該向量的第 l 個分量。這樣相當於將 x 的各個分量解耦了，認為各個分量是獨立的，(2) 式就變為：

而迭代過程也有所簡化：

更簡單些

如果所有的都取同一個常數 σ 呢？這就得到：

這樣整個分佈就更為簡單了，有意思的是，在指數的括號內出現了歐氏距離。

更極端地，我們讓 σ→0 呢？這時指數內的括號為無窮大，對於每個 xi，只有的那個 N(xi;μj,σ) 佔主導作用，這時候根據 (4) 式，p(j|xi) 非零即 1（即使得最小的那個 j 的 p(j|xi) 為 1，其餘為 0）。

這表明任意一個點只屬於距離它最近的那個聚類中心，這就跟使用歐氏距離的 K-Means 一致了，所以說，基於歐氏距離的 K-Means 可以看作是 GMM 的一個極限。

新版路由

言歸正傳，還是說回 Capsule。我們說《Matrix Capsules with EM Routing》中用 GMM 演演算法完成了聚類過程，現在就來詳細看看是怎麼做的。

矩陣->向量

不得不說，新論文裡邊的符號用得一塌糊塗，也許能夠在一堆混亂的符號中看到真理才是真正的大牛吧。這裡結合網上的一些科普資料以及作者自己的閱讀，給出一些理解。 

首先，我們用一個矩陣 Pi 來表示第 l 層的 Capsule，這一層共有 n 個 Capsule，也就是 i=1,…,n；用矩陣 Mj 來表示第 l+1 層的 Capsule，這一層共有 k 個 Capsule，也就是聚為 k 類，j=1,…,k。

論文中 Capsule 的矩陣是 4×4 的，稱之為 Pose 矩陣。然後呢，就可以開始 GMM 的過程了，在做 GMM 的時候，又把矩陣當成向量了，所以在 EM 路由那裡，Pi 就是向量，即 d=16 。整個過程用的是簡化版的 GMM，也就是把協方差矩陣約定為一個對角陣。 

所以根據前面的討論，可以得到新的動態路由演演算法：

這裡記了 pij=N(xi;μj,σj),Rij=p(j|xi)，符號儘量跟原論文一致，方便大家對比原論文。這裡的動態路由的思想跟《Dynamic Routing Between Capsules》的是一致的，都是將 l+1 層的 Capsule 作為 l 層 Capsule 的聚類中心，只是聚類的方法不一樣而已。

啟用值

在《Dynamic Routing Between Capsules》一文中，是透過向量的模長來表示該特徵的顯著程度，那麼在這裡還可以這樣做嗎？

答案是否定的。因為我們使用了 GMM 進行聚類，GMM 是基於加權的歐氏距離（本質上還是歐氏距離），用歐氏距離進行聚類的一個特點就是聚類中心向量是類內向量的（加權）平均（從上面MjMj的迭代公式就可以看出）。

既然是平均，就不能體現“小弟越多，勢力越大”的特點，這我們在再來一頓賀歲宴 | 從K-Means到Capsule中就已經討論過了。 

既然 Capsule 的模長已經沒法衡量特徵的顯著性了，那麼就只好多加一個標量 a 來作為該 Capsule 的顯著性。所以，這篇論文中的 Capsule，實際上是“一個矩陣 + 一個標量”，這個標量被論文稱為“啟用值”，如圖：

△ 圖3：這個版本的Capsule是“矩陣+標量”

作為 Capsule 的顯著程度，aj 最直接的選擇應該就是 πj，因為 l+1 層的 Capsule 就是聚類中心而 πj 就代表著這個類的機率。

然而，我們卻不能選擇 πj，原因有兩個：

1. πj 是歸一化的，而我們希望得到的只不過是特徵本身的顯著程度，而不是跟其他特徵相比後的相對顯著程度（更通俗點，我們希望做多個二分類，而不是一個多分類，所以不需要整體歸一化）。

2. πj 確實能反映該類內“小弟”的多少，但人多不一定力量大，還要團結才行。那麼這個啟用值應該怎麼取呢？論文給出的公式是：

我相信很多讀者看到這個公式和論文中的“推導”後，還是不知所云。事實上，這個公式有一個非常漂亮的來源——資訊熵。

現在我們用 GMM 來聚類，結果就是得到一個機率分佈 p(X|j) 來描述一個類，那麼這個類的“不確定性程度”，也就可以衡量這個類的“團結程度”了。

說更直白一點，“不確定性”越大（意味著越接近均勻分佈），說明這個類可能還處於動蕩的、各自為政的年代，此時啟用值應該越小；“不確定性”越小（意味著分佈越集中），說明這個類已經團結一致步入現代化，此時啟用值應該越大。

因此可以用不確定性來描述這個啟用值，而我們知道，不確定性是用資訊熵來度量的，所以我們寫出：

這就是論文中的那個，所以論文中的 cost 就是熵，多直觀清晰的含義。而且熵越小越好，這也是多自然的邏輯。

為什麼不直接積分算出正態分佈的熵，而是要這樣迂迴地算？因為直接積分算出來是理論結果，我們這裡要根據這批資料本身算出一個關於這批資料的結果。

經過化簡，結果是（原論文計算結果應該有誤）：

因為熵越小越顯著，所以我們用 −Sj 來衡量特徵的顯著程度，但又想將它壓縮為 0~1 之間。那麼可以對它做一些簡單的尺度變換後用 sigmoid 函式啟用：

(15) 式和 (13) 式基本是等價的，上式相當於 −Sj 和 πj 的加權求和，也就是綜合考慮了 −Sj（團結）和 πj（人多）。

其中 βa，βu 透過反向傳播最佳化，而 λ 則隨著訓練過程慢慢增大（退火策略，這是論文的選擇，我認為是不必要的）。

βa，βu 可能跟 j 有關，也就是可以為每個上層膠囊都分配一組訓練引數 βa，βu。說“可能”是因為論文根本就沒說清楚，或許讀者可以按照自己的實驗和需求調整。

有了 aj 的公式後，因為我們前面也說 aj 和 πj 有一定共同之處，它們都是類的某種權重，於是為了使得整個路由流程更緊湊，Hinton 乾脆直接用 aj 替換掉 πj，這樣替換雖然不能完全對應上原始的 GMM 的迭代過程，但也能收斂到類似的結果。

於是現在得到更正後的動態路由：

這應該就是最終的新的動態路由演演算法了，如果我沒理解錯的話，因為原論文實在太難看懂。

權重矩陣

最後，跟前一篇文章一樣，給每對指標 (i,j) 配上一個權重矩陣 Wij（稱為視覺不變矩陣），得到“投票矩陣”Vij=PiWij，然後再進行動態路由，得到最後的動態路由演演算法：

結語

評價

經過這樣一番理解，應該可以感覺到這個新版的 Capsule 及其路由演演算法並不複雜。

新論文的要點是使用了 GMM 來完成聚類過程，GMM 是一個基於機率模型的聚類演演算法。

緊抓住“機率模型”這一特性，尋找機率相關的量，就不難理解 aj 運算式的來源，這應該是理解整篇論文最困難的一點；而用矩陣代替向量，應該只是一種降低計算量和引數量的方案，並無本質變化。 

只不過新論文傳承了舊論文的晦澀難懂的表達方式，加上混亂的符號使用，使得我們的理解難度大大增加，再次詬病作者們的文筆。 

感想 

到現在，終於算是把《Matrix Capsules with EM Routing》梳理清楚了，至於程式碼就不寫了，因為事實上我個人並不是特別喜歡這個新的 Capsule 和動態路由，不想再造輪子了。 

這是我的關於 Capsule 理解的第三篇文章。相對於筆者的其他文章而言，這三篇文章的篇幅算得上是“巨大”，它們承載了我對 Capsule 的思考和理解。每一篇文章的撰寫都要花上好幾天的時候，試圖盡可能理論和通俗文字相結合，盡可能把前因後果都梳理清楚。

希望這些文字能幫助讀者更快速地理解 Capsule。當然，作者水平有限，如果有什麼誤導之處，歡迎留言批評。 

當然，更希望 Capsule 的作者們能用更直觀、更具啟發性的語言來介紹他們的新理論，這就省下了我們這些科普者的不少功夫了。

畢竟 Capsule 有可能真的是深度學習的未來，怎可如此模糊呢？

相關連結

[1] Understanding Matrix capsules with EM Routing

https://jhui.github.io/2017/11/14/Matrix-Capsules-with-EM-routing-Capsule-Network/

點選以下標題檢視相關內容： 

• 揭開迷霧，來一頓美味的「Capsule」盛宴

• 再來一頓賀歲宴 | 從K-Means到Capsule

#榜 單 公 布 #

2017年度最值得讀的AI論文 | NLP篇 · 評選結果公佈

2017年度最值得讀的AI論文 | CV篇 · 評選結果公佈

 我是彩蛋

關於PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智慧前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號後臺點選「交流群」，小助手將把你帶入 PaperWeekly 的交流群裡。

▽ 點選 | 閱讀原文 | 進入作者部落格