标签： #膨胀卷积

普通 CNN 做序列预测有个死穴：卷积核宽锁死感受野，要看到 32 步前的周期相位得堆几十层。膨胀卷积（dilated convolution）用「每隔 d 个点采一个样」把感受野从线性拉成指数级——d 逐层翻倍 (1,2,4,8,16)，5 层就能覆盖 1+(3−1)·(1+2+4+8+16)=63 步，整根周期纳进窗口；左填充 (k−1)·d 个零保证严格因果、不偷看未来。本文用纯 numpy 从零实现因果膨胀卷积 + 有限差分梯度校验，在多周期正弦叠加合成序列（周期 5/11/17/23/31 步）上实测：膨胀因果 CNN 测试集 R²=0.997、MSE=0.0029，相对普通 CNN(0.996/0.0041) 略有改进，但讽刺的是它仍输给 OLS 线性(0.999/0.0009)——因为任务本质是已知周期的线性叠加，OLS 在精确频率特征上近最优。文章诚实拆穿「膨胀救一切 / 膨胀 CNN 比线性强 / 感受野越大越好 / 因果填充零成本 / 真周期≠可预测」五类真实误区(中阶)。

RNN 记不住长程、又只能串行训练；Transformer 注意力是 O(N²) 显存吃紧。时序卷积网络（TCN，Bai et al. 2018）用「因果膨胀卷积」给出第三条路：感受野随层数指数级扩张、全程并行、且严格不泄漏未来。本文用纯 numpy 从零实现 6 层因果膨胀卷积，在「目标依赖 {1,2,4,8,16,32} 步多尺度滞后」的 tanh 非线性合成序列上实测：TCN 测试集 R²=0.669，相对普通 CNN(0.436) 提升 53.4%、相对朴素基线(−0.009) 碾压；但讽刺的是它仍输给 OLS 线性(0.957)——因为这个任务是线性可加的。文章诚实拆穿「膨胀救一切 / TCN 比线性强 / 感受野越大越好 / 因果填充零成本 / 通道数陷阱」五类真实误区（中阶）。