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：
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）
涉及领域不多的机器学习爱好者经常会把IoU，ROI 和 ROC，AUC 这样的评价函数（Metric functions）搞混。其实记住它们也没那么难，David 9今天就来帮大家理一理：
1. IoU (Intersection over Union)，交集并集比
2. ROI (region of interest) , 感兴趣区域
3. ROC (Receiver Operating Characteristic curve) 受试者工作特征曲线
4. AUC (Area Under the Curve) ， 曲线下区域
首先要区分，前两个是目标检测领域的术语；后两个是从医疗领域引进的，但是所有机器学习准确率都可能用到该指标。
最容易理解的是第2个ROI，我们做任何目标检测在准备数据集时都要选择感兴趣区域, 我们之前的文章也提到过：
labelImg 就是一个不错的标注工具。帮助你选择目标检测的感兴趣框。是的这不是一个评价函数，是一个概念而已。 继续阅读做机器学习，再别把IoU，ROI 和 ROC，AUC 搞混了 ！聊聊目标检测，医疗领域的那些评价函数
GAN凝结了人们对”创作”本质的看法 — David 9
虽然ICLR 2018 要明年5月举办, 一些企业巨头已经摩拳擦掌，前不久，英伟达正在审阅的论文引起了大家注意，David 9觉得很有意思。论文用深度增长的网络构建、并生成稳定，高质量，多样的GAN对抗样本图片 ：
上图demo是深度增长网络GAN生成的明星样本，清晰度和质量堪称惊艳。论文打破了神经网络在训练过程中“架构不变”的惯性思维。为了更好地“临摹”高清的明星脸谱，训练过程中，先从“粗略模糊”地“勾勒”开始对抗学习： 继续阅读深度增长网络: 构建稳定，高质量，多样的GAN对抗模型，英伟达论文选读2
