第七章 评估推理关系(一)

第七章 评估推理关系(一)

推理

  • 推理的类型

    传统上, 推理有两大类:演绎和归纳

  • 判断推理的类型

    从认识的角度,按前提和结论所涉及的范围来定
    用确定性划分

  • 归纳

    归纳概括:由一个个的例子来推导出普遍的结论。

  • 演绎

    从一般向个别的推理。

三段论:大前提,小前提和结论:
两个前提中包含的共同的词项,称为中项,一般用M表示。结论中的主词,称为小项,一般用S表示。结论中的谓词,称为大项,一般用P表示。包含小项的前提称为小前提;包含大项的词称为大前提。

直言三段论(直言推理)

直言三段论是以含有一个共同项的两个直言陈述为前提,推出一个直言陈述作结论的推理。
所有的M都是P > S是M > 所以,S是P

评估直言三段论

  • 寻找反例(能否找出一个前提为真,结论为假的例子?)
  • 根据直言三段论规则,检查推理形式是否有效。

    直言三段论规则

    • 周延规则
      1. 中项至少在一个前提中是周延的。
      2. 在前提中不周延的词项在结论中也不得周延。
    • 否定规则
      1. 两个否定的前提得不出必然的结论。
      2. 前提有一个是特称的,结论也一定是特称的。
    • 特称规则
      1. 两个特称的前提得不出必然的结论。
      2. 前提有一个是特称的,结论也一定是特称的。

假言三段论

前提中包含假言陈述的推理称之为假言三段论(假言推理)。
充分条件假言推理:如果…… ,那么……;
必要条件假言推理:只有……,才……。

评估假言三段论

  • 评估充分条件假言推理

    必须由肯定前件而肯定后件;不能由肯定后件而肯定前件。
    必须由否定后件而否定前件,不能由否定前件而否定后件。

  • 评估必要条件假言推理

    必须由肯定后件而肯定前件。
    必须由否定前件而否定后件。

归谬法与反证法

  • 归谬法

    运用充分条件假言推理的否定式,来证明一个陈述为假的方法。

  • 论证过程

    【被反驳的命题】A
    【反驳】

    1. 假设A为真
    2. 构造假言推理:如果A,那么B
    3. 证明:非B
    4. 所以,非A
  • 反证法

    通过证明与原始陈述相矛盾的陈述为假,来确定原始陈述为真的论证方法。

  • 论证过程

    【求证】A
    【证明】

    1. 设非A真
    2. 如果非A ,则B
    3. 非B
    4. 所以,并非(非A)
    5. 所以A

选言推理

前提中包含选言陈述的推理称为选言推理。

  • 相容选言推理

    由一部分选言支的假,能推出另一部分选言支为真。(不能由一部分选言支为真,得出另一部分选言支为假)

  • 不相容选言推理

    由一部分选言支的真,能推出另一部分选言支为假。(但是不能有一部分选言支为假,得出另一部分选言支为真)

    检查选言论证

    考查选言陈述是否遗漏了其他可供选择的可能。
    考查选言陈述是否属于强加非此即彼的选择。
    对不同的选择是否都做了仔细的考察。

  • 复杂选言推理:二难推理

    大前提为充分条件假言推理,小前提为选言推理

    • 简单构成式
    • 如果P,则R;如果Q,则R > P或者Q > 所以,R
    • 简单破坏式
      如果P,则Q;如果P,则R > 非Q或者非R > 所以,非P
    • 复杂构成式
      如果P,则R;如果Q,则S > P或者Q > 所以,R或S
    • 复杂破坏式
      如果P,则R;如果Q,则S > 非R或者非S > 所以,非P或非Q
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
手把手调参YOLOv7模型的推理部分是一个迭代的过程,下面是一个简单的步骤: 步骤1:安装YOLOv7模型和必要的依赖库。首先,从GitHub上克隆YOLOv7仓库,并按照仓库中的说明安装所需的依赖库和模型权重文件。 步骤2:加载模型。利用模型权重文件,使用适当的深度学习库(如PyTorch或TensorFlow)加载YOLOv7模型。 步骤3:设置超参数。调参的第一步是设置一些超参数,如置信度阈值、非最大值抑制的阈值等。根据具体应用场景和需求,逐步调整这些参数的值,并观察模型在验证集上的效果。 步骤4:准备测试数据。选择一些样本图片作为测试集,确保它们覆盖了模型可能遇到的不同场景。将测试图片传递给模型进行预测,并计算预测结果与实标签之间的差异。 步骤5:评估模型性能。根据测试结果,计算模型的预测准确率、召回率等指标,以评估模型对目标检测任务的适应性。根据需求,可能需要对模型进行多次调参。 步骤6:调整模型参数。根据评估结果,逐步调整模型参数,如网络的层数、卷积核大小、学习率等。观察模型的预测效果,并与先前结果进行比较,以决定是否保留更新的参数。 步骤7:优化推理速度。YOLOv7的速度较快,但在某些场景中可能需要进一步优化推理速度。可以尝试一些技术,如模型剪枝、量化、加速库等,以提高模型的实时性。 通过复迭代上述步骤,手把手调参YOLOv7模型的推理部分,可以逐渐提升模型的预测准确率和性能。在整个过程中,关键是充分评估模型,并根据需求进行有针对性地调整。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值