TCN（时序卷积网络）为何能取代RNN？

TCN三大核心组件：

1. 因果卷积（Causal Convolution）：

• t时刻的输出只依赖t及之前时刻的输入
• 保证时序因果性（不泄露未来信息）
• 实现：将标准卷积的输出向前偏移

2. 扩张卷积（Dilated Convolution）：

• 在卷积核元素间插入空洞，指数级扩大感受野
• 扩张率d=1,2,4,8,...，感受野=2^(k-1)×(kernel_size-1)+1
• 堆叠L层扩张率为2^(l-1)的卷积，感受野呈指数增长

3. 残差连接（Residual Connections）：

• 解决深层网络梯度消失
• 每个残差块包含两个扩张卷积+权重归一化+Dropout

相比RNN的优势：

维度	TCN	RNN/LSTM
并行性	✅ 可完全并行	❌ 串行依赖
梯度稳定性	✅ 无梯度消失/爆炸	❌ 长程梯度问题
感受野	✅ 灵活控制（扩张率）	❌ 固定（隐状态维度）
内存	✅ 训练时O(n log n)	❌ O(n)（但无法并行）
灵活性	✅ 输入输出长度灵活	✅ 同样支持

局限：

• 推理时延迟比RNN大（需要看到pad数据）
• 超参数（扩张率、kernel size、层数）较敏感

应用：语音合成（WaveNet）、音乐生成、时间序列预测。