TCN：结构与PyTorch代码

文章目录

• TCN架构
  • 一维卷积神经网络（FCN）的整体架构

    • 因 situ 卷积层（Causal Convolutions）

    • 非因 situ 膨胀卷积层（Dilated Non-Causal Convolutions）

    • 膨胀因 situ 卷积层（Dilated Causal Convolutions）

    • 残差块模块（Residual Blocks Structure）

    • pytorch代码讲解

TCN

TCN（Temporal Convolutional Network）最初由Shaojie Bai及其团队开发，并在该链接中首次提出。

希望深入掌握TCN模型的相关知识，在学习过程中最好先理解其在序列处理任务中的核心作用及其与传统神经网络架构的关系。具体而言，在了解TCN之前，请您先熟悉CNN和RNN的基本原理与应用背景

每当遇到涉及sequence的数据或时间序列时，默认考虑的神经网络模型多为RNN及其如LSTM和GRU等变体。在上述论文中提及许多研究指出，在基于RNN的框架下难以发现具有显著优势的新模型其性能可广泛应用于多个任务领域并超越LSTM的表现跳离基于RNN的传统框架后paper作者展示了利用CNN发展出TCN结构表现得更为突出当然paper作者也表示TCN类似于