TCN（时间卷积网络）作为一种新兴算法，旨在解决时间序列预测问题，可能替代RNN。论文《An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling》提出了TCN，其优势在于并行处理能力和实际表现优于RNN。TCN的核心包括一维卷积、扩张卷积、因果卷积和残差卷积的跳层连接，其中扩张卷积增加了感受野，而因果卷积确保预测仅依赖过去信息。未来更新将深入探讨TCN的细节和代码实现。
TCN是指时间卷积网络，一种新型的可以用来解决时间序列预测的算法。在这一两年中已有多篇论文提出，但是普遍认为下篇论文是TCN的开端。
论文名称：
An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling
作者：Shaojie Bai 1 J. Zico Kolter 2 Vladlen Koltun 3
自从TCN提出后引起了巨大反响，有人认为
时间卷积网络（TCN）将取代RNN成为NLP或者时序预测领域的王者。
William Vorhies给出的原因如下：
RNN耗时太长，由于网络一次只读取、解析输入文本中的一个单词（或字符），深度神经网络必须等前一个单词处理完，才能进行下一个单词的处理。这意味着 RNN 不能像 CNN 那样进行大规模并行处理。
并且TCN的实际结果也要优于RNN算法。
所以本教程未来几次更新将集中介绍TCN的算法含义与代码解读。
2
什么是TCN?
TCN中涉及到了最简单的CNN和RNN，此处暂不赘述。还涉及到了一维卷积，扩张卷积，因果卷积，残差卷积的跳层连接等其他知识点。为了能够更准确的了解，我们将结合论文逐步介绍每个部分。
一维卷积
以下图为例：图中的输入的数据维度为8，过滤器的维度为5。那么卷积后输出的数据维度为8−5+1=4
如果过滤器数量为1，输入数据的channel数量变为，即输入数据维度为8×32。这里channel的概念相当于自然语言处理中的e
最低0.47元/天 解锁文章
2754
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
