TCN相比于RNN的优点

TCN（Temporal Convolutional Network，时间卷积网络）与RNN（Recurrent Neural Networks，循环神经网络）都是深度学习中用于处理序列数据的模型，但它们有各自的特点和优势。

1. **局部连接**：TCN主要基于一维卷积，每个时间步只与前向和后向固定长度的输入区域相连，这使得它能够并行计算，显著提高了训练速度，特别是对于长序列数据，RNN由于需要自回归性质，计算效率较低。

2. **层次结构**：TCN通常采用堆叠的1D卷积层，每一层都能捕捉到不同尺度的时间特征，而RNN则依赖于深层隐藏状态的递归传递，可能在捕捉长期依赖时有困难。

3. **参数共享**：在TCN中，卷积核在整个时间维度上共享，减少了模型参数，避免了RNN中的权重矩阵需要随着序列长度扩展的问题。

4. **固定计算复杂度**：TCN的计算复杂度与输入序列长度无关，RNN（特别是LSTM和GRU）的计算复杂度是线性的，对于长序列可能会导致梯度消失或爆炸问题。

5. **易于并行化**：由于TCN的结构，它更容易进行并行化处理，这对于大规模数据的训练非常有利。