Uso de redes de cápsulas
Las redes de cápsulas (CapsNet) son una clase reciente de redes neuronales que tienen como objetivo proporcionar una alternativa a las redes neuronales convolucionales clásicas en visión computacional. Las CapsNets aún no se utilizan en aplicaciones del mundo real, pero son un tema de investigación prometedor. Este ejemplo muestra la red de cápsulas original entrenada en la tarea de clasificación MNIST y explora las propiedades de los vectores de cápsulas que calcula.
Obtenga un modelo CapsNet preentrenado de Wolfram Neural Net Repository.
CapsNet no son clasificadores puros; también son un codificador automático, y por lo tanto, pueden reconstruir sus datos de entrada.
En lugar de tener neuronas escalares con puntajes finales para cada clase, un CapsNet produce vectores de cápsulas, que codifican el puntaje en su norma. Además en el caso de escalar, la información sobre las características de la instancia detectada se codifica en la orientación de los vectores de las cápsulas, de manera similar a los vectores de características. Extraiga el vector cápsula de longitud 16 con la norma más alta del bloque "Pick"de la red.
El bloque "Reconstruir" está entrenado para reconstruir la imagen de entrada a partir de la información contenida en el vector de la cápsula, actuando como un regularizador. La reconstrucción exitosa prueba que los vectores de cápsulas codifican las características de una instancia específica detectada en su orientación. Obtenga el reconstructor.
Alimentar el vector cápsula previamente obtenido al reconstructor.
El espacio que abarcan los vectores de cápsulas posee características que recuerdan los espacios latentes clásicos y autoencodificadores variacionales. Experimente cambiando el vector cápsula. Cambie el vector de la cápsula para poder dar lugar a las variaciones de características como el grosor o poder transformar completamente la instancia en otra clase.
Interpole entre vectores de cápsulas de diferentes dígitos.
