通过卷积计算 RC 电路对单位步长输入信号的响应。 通过滑块控件推进时间变量以观察计算细节。 需要 R2014b 或更新版本。 http://www.signalsandsystems.org

Keras TCN 与所有主要/最新的Tensorflow版本（从1.14到2.4.0+）兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于LSTM / GRU体系结构。 平行度，灵活的接收场大小，稳定的梯度，训练所需的低内存，可变长度的输入... 放大的因果卷积层堆栈的可视化（Wavenet，2016） API 通常的方法是导入TCN层，并在Keras模型中使用它。 下面提供了一个回归任务的示例（对于其他示例，请参阅tasks/ ）： from tensorflow . keras . layers import Dense from tensorflow . keras import Input , Model from tcn import TCN , tcn_full_summary batch_size , timesteps , input_dim = No

TCN关注 带有关注层的时间卷积网络 模型的概念主要类似于 。 但是在此模型中，注意力层位于卷积层的每个顶层。 并且注意大小与SNAIL不同。 结果 数据集：无需预处理的 关注：0.82 无注意：0.81 我对结果的看法 agnews上的大多数简单模型都显示出0.81的精度。 （在 ，“ 上进行了测试，并使用了基于单词的嵌入） 因此，基于字符的模型具有0.82的准确性似乎是值得的。

使用时间卷积网络进行回归预测以及分类的一些案例，很有帮助。

配合使用

tcn函数

keras-tcn-master11.zip

SCI论文中所用代码，数据加程序，使用时间卷积网络建立预测模型进行预测，比LSTM、CNN等效果精确。