胶囊网络是 vector in vector out的结构，最后对每个不同的类别，输出不一个向量，向量的模长表示属于该类别的概率。
例如，在数字识别中，两个数字虽然重叠在一起，Capsule中的两个向量能完整表达两个数字的特征，虽然有些特征重叠在一起导致难以分辨。
因为胶囊网络中：用向量模的大小衡量某个实体出现的概率，模值越大，概率越大。
更加形象的解释：https://blog.csdn.net/godwriter/article/details/79216404
MNIST数据集中，胶囊网络（CapsGNN）输出性能远超CNN，胶囊网络的其他应用：
1、通过胶囊网络抵御对抗性攻击
2、胶囊网络+图卷积GCN的图分类能力
3、胶囊网络+注意力机制=零样本意图识别
关于胶囊网络的相关学术论文还有不少，比如基于胶囊网络的手势识别，正确率达到94.2%，能够帮助听障人群进行更有效地沟通；以及在ICLR 2019上发表的图片分类新框架胶囊图神经网络（CapsGNN），也是将胶囊网络与图神经网络（GNN）结合的新模型。
https://zhuanlan.zhihu.com/p/66923740
苏剑林博客：
https://spaces.ac.cn/archives/4819