深度学习 | TCN时间卷积神经网络模型描述

深度学习 | TCN时间卷积神经网络模型描述

基本介绍

TCN由具有相同输入和输出长度的扩张的、因果的1D卷积层组成。下面几节将详细介绍这些术语的实际含义。我们首先描述了卷积序列预测的通用体系结构。我们的目的是将卷积网络设计中的最佳实践提炼成一个简单的体系结构,可以作为一个方便但强大的起点。我们将所提出的体系结构称为时间卷积网络(TCN),强调我们采用这个术语不是作为一个真正新的体系结构的标签,而是作为一个简单的家族的简单描述性术语。(请注意,这一术语以前曾使用过(Lea等人,2017年)。) TCN的区别特征是:

1)体系结构中的卷积是因果的,这意味着从未来到过去没有信息“泄漏”;

2)体系结构可以取任意长度的序列,并将其映射到相同长度的输出序列,就像RNN一样。(但是tcn实现这一功能并不是通过seq2seq来实现的,而是单纯使用卷积层实现的)

3)除此之外,我们还强调如何使用非常深的网络(用residual 结构)和扩张卷积的组合来构建非常长的有效历史大小(即网络可以很远地看过去进行预测的能力。

我们的体系结构是由最近的序列数据卷积体系结构(vandenOord等人࿰

猜你喜欢

转载自blog.csdn.net/kjm13182345320/article/details/132868394