胶囊网络精华浓缩版第一部分中，我们就吐槽过Max pooling的一堆缺陷：
- 虽然最大池化层可帮助辨别图像中元素的位置关系，但是有太多信息丢失（pooling操作“粗暴地”把局部相邻像素点集压缩成一个像素点）
- 缺乏空间分层和空间推理能力，缺乏“举一反三”的能力
当我们深入看胶囊网络的工作方式，我们会感觉胶囊网络就是为改进Max Pooling而生的:
上图胶囊网络整体架构中，卷积层Conv1输出后，跟的不再是Max Pooling层， 而是主胶囊层（PrimaryCaps layer）和数据胶囊层（DigitCaps layer）。
这些胶囊层到底是如何工作的？我们先从胶囊层和一般的全连接层入手。
一般的全连接层是这样工作的：
对于上一层Max Pooling输出的所有标量（x1, x2, x3）与权重（w1，w2，w3）做卷积求和操作。最后，使用非线性激活函数 f（•）输出预测值hj 继续阅读理解Hinton胶囊网络之精华浓缩版，第二部分： 胶囊网络是如何工作的？（Capsule Networks）