TCN时间卷积网络信息归纳整合

看了一些关于TCN的分析文章，边看边归纳了张表格辅助记忆

名称	TCN
优点	1、TCN 可以比LSTM更实在的留住长远以前的记忆 2、整个框架设计上比 LSTM 更为简单和精确。
缺点	\
特点	1、稳定性 其卷积网络层层之间是有因果关系的，意味着不会有“漏接”的历史信息或是未来数据的情况发生 2、预判机制 可以根据一个已知序列出现的先后顺序去评判未来的 t 时间点上，什么东西出现的可能性更合适。 3、并行性 由于CNN每一层使用相同的卷积核，因此一个长序列输入可以用TCN并行处理 4、灵活的感受视野 比如改变卷积核的参数，容易控制模型的记忆大小； 5、 固定的梯度 6、 更小的内存训练 7、可变的输入长度
技术	1、Gradient Descent 和 backpropagation训练 2、Causal Convolutions 思维可以用来应付“不漏接”的初衷，卷积层在 t 时间的 output 只与当层和前一个层的元素做卷积 3、1D 的 fully-convolutional network (FCN) ，让每个输出层都可以保持和输入层一样多的长宽被继续传递，使用的手法是 zero padding 4、Dilated Convolutions 来解决反向训练的问题
精确度	1、在下列数据集中，TCN 都得到了比 RNN 更为准确的结果。
数据集	1、Polyphonic music model 2、Words and character-level language model 3、Synthetic stress tests
链接	https://github.com/LOCUSLAB/tcn
公式	Dilated Convolutions 运作在 s 元素上，并有一个 filter: {0, 1, 2, …, k-1} 其内部的元素都是实数 R，公式描述如下（空洞卷积核）：
相关图