什么是TCN模型

https://juejin.cn/post/7262269863343079479
https://blog.csdn.net/weixin_57726558/article/details/132163074

由下图箭头可知，TCN第一层，每相邻两个单元输出到一个单元，下一层网络间隔一个单元输出到下一层网络，第三层网络间隔2的指数 两个单元输出到下一层网络， 一直继续下去网络的顶层能看到底层所有单元的信息。

怎么理解 TCN中的 dilation？

dilation=1, 可以看到$2\ast 1$的输入单元–信息
dilation=2, 可以看到$2\ast 2$的输入单元–信息
dilation=4, 可以看到$2\ast 4$的输入单元–信息
dilation=8, 可以看到$2\ast 8$的输入单元–信息

TCN（Temporal Convolutional Network）中的 dilation（膨胀）是用于在卷积操作中扩展感受野的一种技术。它通过在卷积核之间引入空洞来实现。以下是 dilation 的详细解释：

什么是 Dilation

dilation（膨胀）在卷积操作中引入了空洞，使得卷积核的感受野更大，而不需要增加卷积核的大小。具体来说，在应用 dilation 时，卷积核的每两个相邻元素之间会有一些间隔。这些间隔的数量由 dilation rate（膨胀率）决定。

具体例子

假设你有一个1维的卷积核 [w0, w1, w2]，dilation rate 为 2，则这个卷积核在应用 dilation 后变为 [w0, 0, w1, 0, w2]。这里的 0 表示引入的空洞。

数学表达

在没有 dilation 的情况下，一个1维卷积操作的输出可以表示为：
$y(t)={\sum }_{k=0}^{K-1}x(t-k)\cdot w(k)$
其中：

• $y(t)$ 是输出。
• $x(t)$ 是输入。
• $w(k)$ 是卷积核。
• $K$ 是卷积核的大小。

当引入 dilation 后，卷积操作的输出变为：
$y(t)={\sum }_{k=0}^{K-1}x(t-d\cdot k)\cdot w(k)$
其中 $d$ 是 dilation rate。这样，卷积核中的每个元素在输入序列中间隔 $d$ 个元素进行卷积。

作用

1. 扩展感受野：dilation 扩展了卷积核的感受野，可以在不增加计算量的情况下捕捉更大范围的上下文信息。
2. 保留分辨率：与池化操作不同，dilation 不会丢失数据的分辨率。
3. 有效处理长序列：对于时间序列或序列数据，dilation 有助于捕捉远距离的依赖关系。

例子

假设有一个长度为 10 的输入序列 x = [x0, x1, x2, x3, x4, x5, x6, x7, x8, x9]，一个卷积核 w = [w0, w1, w2]，dilation rate 为 2。卷积操作的过程如下：

• y(t) = x(t) * w0 + x(t-2) * w1 + x(t-4) * w2

这个操作会在卷积核的每个元素之间跳过 2 个输入元素。

代码示例

以下是 PyTorch 中实现 TCN 的一个简单示例，展示了如何使用 dilation：

import torch
import torch.nn as nn

class TCN(nn.Module):
    def __init__(self, input_size, output_size, num_channels, kernel_size=2, dropout=0.2):
        super(TCN, self).__init__()
        layers = []
        num_levels = len(num_channels)
        for i in range(num_levels):
            dilation_size = 2 ** i
            in_channels = input_size if i == 0 else num_channels[i-1]
            out_channels = num_channels[i]
            layers += [nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=(kernel_size-1)*dilation_size, dilation=dilation_size),
                       nn.ReLU(),
                       nn.Dropout(dropout)]
        self.network = nn.Sequential(*layers)
        self.linear = nn.Linear(num_channels[-1], output_size)

    def forward(self, x):
        y1 = self.network(x)
        y2 = self.linear(y1[:, :, -1])
        return y2

# Example usage
tcn = TCN(input_size=1, output_size=10, num_channels=[25, 50])
input_data = torch.randn(32, 1, 100)  # (batch_size, num_channels, sequence_length)
output = tcn(input_data)
print(output.shape)  # (batch_size, output_size)

在这个示例中，每一层卷积都会以2的指数倍方式增加 dilation，从而在每一层中逐步扩展感受野。