使用胶囊网络
胶囊网络 (CapsNet) 是最新的一类神经网络，旨在提供计算机视觉中传统卷积神经网络的替代方案。 CapsNet 尚未进入实际应用，但是是一个很有希望的研究课题。下面的例子演示了在 MNIST 分类任务上训练的原始胶囊网络，并探索了计算的胶囊向量的属性。
从 Wolfram Neural Net Repository 获取预先训练好的 CapsNet 模型。
CapsNet 不纯粹是分类器；它们也是一个自动编码器，因此可以对它们的输入数据进行重建。
CapsNet 不是用标量神经元保留每个类的最终得分，而是生成胶囊向量，将得分编码到它们的范数中。除此之外，以与特征向量类似的方式，将检测到的实例的特征的信息编码到胶囊向量的方向中。从网络的 "Pick" 模块中提取具有最高范数的长度为 16 的胶囊向量。
训练 "Reconstruct" 模块，根据包含在胶囊向量中的信息重建输入图像，相当于一个正则化器。成功的重建证明了胶囊向量将检测到的特定实例的特征编码到它们的方向中。 获取重建器 (reconstructor)。
将先前获得的胶囊载体馈送至重建器。
胶囊向量跨越的空间所拥有的特征提醒我们注意传统和变体自动编码器的潜在空间。尝试改变胶囊向量。改变胶囊向量可以导致诸如厚度之类的特征发生变化，或者可以将实例彻底变换成另一个类别。
在不同数字的胶囊向量之间插值。
