通过tcn.TCN()构建时域卷积，这个函数自带residual block了吗

是的，`tcn.TCN()` 函数在构建时域卷积神经网络时自带了残差块（Residual Block）。

在 TCN 中，残差块是通过设置 `use_skip_connections=True` 参数来启用的。这将在 TCN 层的内部添加残差连接，允许信息在网络中跳跃传播。

以下是使用 `tcn.TCN()` 函数创建具有残差块的时域卷积神经网络的示例代码：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from keras import optimizers
from tcn import TCN

model = Sequential()
model.add(TCN(input_shape=(input_length, input_dim), nb_filters=nb_filters, kernel_size=kernel_size, dilations=dilations, nb_stacks=nb_stacks, padding='causal', use_skip_connections=True))
model.add(Dense(units=output_dim, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer=optimizers.Adam(lr=learning_rate), metrics=['accuracy'])

在这个示例中，`use_skip_connections=True` 参数已经设置为启用残差连接。这意味着 TCN 层中的每个子层都将添加一个跳跃连接，以便信息可以直接从输入层传递到输出层。

使用残差块可以帮助网络更好地捕获时间序列中的长期依赖关系，并提高模型的性能。