序列建模基准和时间卷积网络（TCN）
该存储库包含Shaojie Bai，J。Zico Kolter和Vladlen Koltun完成的实验。
我们专门针对一整套综合任务，这些任务已被反复用来比较不同循环网络的有效性，并在循环网络的主场上评估一个简单，通用但功能强大（完全）的卷积网络。
实验是在PyTorch中完成的。 如果您发现此存储库有帮助，请引用我们的工作：
@article{BaiTCN2018,
author = {Shaojie Bai and J. Zico Kolter and Vladlen Koltun},
title = {An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling},
journal = {a
2021-10-29 11:28:25
15.92MB
1
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
2021-09-19 15:45:09
2.65MB
1
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。
2021-09-14 19:21:06
16KB
1
trdp官方开源代码，可在多平台编译运行（linux，VxWorks，windows，实时系统等），自己已经在linux平台基于该官方代码进行二次开发，完美！
2021-08-04 22:02:29
64.59MB
1
列车TRDP通信，TRDP网络格式。TCNOpen协议规范，及应用场景，
2021-07-04 17:19:55
604KB
1