酝酿许久，深度学习之父Geoffrey Hinton终于发表了备受瞩目的Capsule Networks(CapsNet)。 Hinton本次挟CapsNet而来，大有要用它取代CNN的气势。那么， CapsNet相比CNN到底有哪些优势？它又是否能为AI界带来革命性转折呢？
首先，这位被誉为深度学习之父Geoffrey Hinto究竟是何许人也呢？在上世界50年代，深度神经网络的概念就已出现，从理论上来讲可以解决众多问题，但是一直以来却没有人知道该如何训练它，渐渐的也就被放弃。直至1986年，Hinton想到了通过反向传播来训练深度网络，标志了深度学习发展的一大转机。然而，受限于当时的计算机运算能力，直到2012年，Hinton的发明才得以一显神通。这一突破也为近年来人工智能的发展奠定了基础。
Capsule Networks在以下数据集上也获得了更高的识别准确度。这个数据集经过了精心设计，是一个纯粹的形状识别任务，即从不同的角度来看也能识别物体。CapsNet在该数据集上打败了最先进的CNN，将错误数量减少了45％。
要想使用胶囊网络，首先你得训练它——于是，我根据Hinton 的论文建立了一个Repo（非常感谢naturomics）.
以下指南将为你提供在MNIST数据集上训练的模型。（MNIST是手写数字的数据集，很适合用作测试机器学习算法的基准线）
1. 复制Repo：
git clone https://github.com/bourdakos1/capsule-networks.git
2. 安装 requirements文件:
pip install -r requirements.txt
3. 开始训练!
python main.py
MNIST数据集包含6万个训练图像。默认情况下，该模型每次批处理的大小是128个，训练50次。每一次训练都是数据集的一次完整运行过程。由于每次批量大小是128，所以每次训练大约有468个批处理（60,000 / 128 ≈468）。
