从传统神经网络的角度解读Geoffrey Hinton的Capsule模型 | GAIR大讲堂

分享背景

▼

近几年，“深度学习之父”Geoffrey Hinton多次公开表示，认为卷积神经网络、反向传播算法存在不合理之处，提倡研究者们在深度学习之上积极探索人工智能的新理论体系，并率先提出了capsule理念。近日，随着论文《Dynamic Routing Between Capsules》在arXiv上的放出以及另一篇仍处于盲审状态的论文《matrix capsules with EM routing》在网上的流传，Hinton的capsule计划再度引发了热议。本次分享人作为全球第一个将capsNet模型复现代码发布到github的作者，将通过与传统神经网络的对比来深入解读capsule模型。（关注AI研习社，回复【论文】即可获取论文原文、翻译以及三种环境下的不同实现。）

分享主题

▼

从传统神经网络的角度解读Geoffrey Hinton的Capsule模型

分享提纲

▼

1. capsule概念提出的背景

2. capsule模型与传统神经元的比较

3. 参数更新算法routing-by-agreement的分析

4. capsNet模型与卷积/全连接神经网络的比较

5. 讨论：论文的贡献及可改进之处

6. 核心算法的代码剖析

分享人简介

▼

廖华东，重庆邮电大学二年级硕士生，生物信息学背景，capsNet模型Tensorflow版(http://t.cn/RW1hLNp)复现的作者，主要研究兴趣包括人工智能基础理论研究（如capsule理论、强化学习、GAN），及AI医疗。

分享时间

▼

北京时间11月17日（周五）20:00

参与方式

▼

扫描海报二维码添加社长微信，备注「廖华东」

关注AI研习社，回复【论文】即可获取论文原文、翻译以及三种环境下的不同实现。

不要等到算法出现accuracy不好、

loss很高、模型overfitting时，

才后悔没有好好掌握基础数学理论。

走稳机器学习第一步，夯实数学基础！

“线性代数及矩阵论、概率论与统计、凸优化”

3大数学基础课程，火热团购中！

扫码参团

公开课精彩往期回顾

复旦Ph.D沈志强：用于目标检测的DSOD模型（ICCV 2017）

极限元刘斌：深度学习在语音生成问题上的典型应用

搜狗文仕学：基于深度学习的语音分离

Video ++孙兆民：视频内容识别行业分析

悉尼科大王超岳：基于生成对抗网络的图像编辑方法

达观数据张健：文本分类方法和应用案例

清华Ph.D王书浩：基于深度学习的电商交易欺诈检测系统

Twitter工程师王东：详解YOLO2与YOLO9000目标检测系统

Kaggle比赛金牌团队：图像比赛的通用套路有哪些？

宜远智能刘凯：显著降低模型训练成本的主动增量学习

点击阅读原文，报名本场公开课

▼▼▼