假设原始数据的形状为 (num_samples, seq_length, num_features) num_samples, seq_length, num_features = raw_data.shape，这里输入只有任意长度none，和特征160维，该怎么对应呢

如果您的原始数据的形状为 `(num_samples, seq_length, num_features)`，其中`num_samples`表示样本数量，`seq_length`表示时间序列的长度，`num_features`表示每个时间步的特征数量，那么您可以将`num_samples`和`seq_length`设置为`None`，表示这两个维度的长度可以是任意值。

具体来说，您可以使用以下代码定义输入层：

from tensorflow.keras.layers import Input

# 假设每个时间步的特征数量为160
num_features = 160

# 定义输入数据的形状，将num_samples和seq_length设置为None
input_shape = (None, num_features)

# 定义输入层
inputs = Input(shape=input_shape)

在上面的代码中，我们使用Keras的Input函数定义输入层，将`input_shape`设置为`(None, num_features)`，表示输入数据的形状是`(num_samples, seq_length, num_features)`，其中`num_samples`和`seq_length`可以是任意值。这样定义后，您就可以将任意长度的时间序列作为输入数据，而无需考虑具体的样本数量和时间序列的长度。

需要注意的是，在使用TCN进行特征提取时，如果您的输入数据的时间序列长度变化较大，建议对原始数据进行预处理，将时间序列的长度统一到一个固定的长度上，以便于进行模型训练和预测。具体的处理方式可以是将时间序列截断或填充到固定长度，或者使用滑动窗口的方式将时间序列划分为多个固定长度的时间窗口。