时序卷积网络
Temporal Convolutional Network时序卷积网络是为了结合卷积神经网络(CNNs)的优势（如更快的训练速度，更强的并行能力，适用于大规模数据处理等等）而提出的，改善RNN等网络计算性能不佳的问题。
TCN重点在于其卷积方式，主要为两种：因果卷积 和空洞卷积
因果卷积
由于在时序任务中，普通的卷积操作并不符合因果律，因为按道理来说不能访问到后面的数据，但是普通的卷积操作是可以的。
所以提出了因果卷积，确保符合因果律，也就是padding。通过在序列前方填0，避免读取到后方的数据。
比如说：
[1,2,3,4,5] # 初始数据
# 现在要做卷积核大小为3的卷积操作，为符合因果律，进行padding
[0,0,1,2,3,4,5] # padding后数据，这样就ok了注意： p a d d i n g = ( k e r n e l s i z e − 1 ) × d i l a t i o n padding=(kernelsize-1)\times dilation padding=(kernelsize−1)×dilation
空洞卷积
空洞卷积(dilated convolution)，又称膨胀卷积。
空洞是因为空洞卷积后的特征图中存在空隙，不再是连续的矩形空间。膨胀来源于膨胀因子，膨胀因子可以控制卷积核采样间隔。
空洞卷积通过在卷积核中引入空洞（0）来增加感受野，使模型能够捕捉到更长范围内的依赖关系，而不需要增加网络的深度。在时序任务中，使用空洞卷积可以提取更长距离的时序依赖关系。
感受野：
也就是特征图一个点可以看到多少原始数据，感受野越大则说明看到的信息越多。比如说一个 3 × 3 3\times3 3×3卷积核，那特征图上每个点可以看到9个原始数据
扩张后的等效卷积核大小 k ′ = k + ( k − 1 ) × ( r − 1 ) k' = k + (k - 1)\times (r - 1) k′=k+(k−1)×(r−1)（r=膨胀因子）
比如说：
[1,2,3,4,5]
[2,3,4,5,6]
[3,4,5,6,7] # 初始数据
# 现在要做2*2卷积核，r=2的空洞卷积操作
# k'=3
# 也就是说现在读到的数据是
[1,2,3]
[2,3,4]
[3,4,5]
而非
[1,2]
[2,3]
卷积核为
[1,0,1]
[0,0,0]
[1,0,1]
而非
[1,1]
[1,1]注意：空洞卷积是通过卷积后填充实现的，所需的参数量于普通卷积相同，输出的特征图大小与普通卷积相同
gridding问题
空洞卷积存在gridding问题。因为空洞卷积得到的某一层的结果中，邻近的像素是从相互独立的子集中卷积得到的，相互之间缺少依赖，会导致局部信息丢失等等问题。