Causal Convolution

因果卷积

处理序列问题（即要考虑时间问题，）就不能使用普通的CNN卷积，必须使用新的CNN模型，这个就是因果卷积的作用，看下面一个公式，对与序列问题（sequence modeling），主要抽象为，根据x1……xt和y1…..yt-1去预测yt，使得yt接近于实际值。

$$
p(\mathbf{x})=\prod{t=1}^{T} p\left(x{t} \mid x{1}, \ldots, x{t-1}\right)
$$

我们根据图片来直观理解一下因果卷积

膨胀因果卷积

对于因果卷积，存在的一个问题是需要很多层或者很大的filter来增加卷积的感受野。本文中，我们通过大小排列来的扩大卷积来增加感受野。扩大卷积（dilated convolution）是通过跳过部分输入来使filter可以应用于大于filter本身长度的区域。等同于通过增加零来从原始filter中生成更大的filter。