动词ing基本用法_动名词与现在分词用法的区别

动词的-ing形式按功能可分为动名词和现在分词。动词的-ing形式何时为动名词,何时为现在分词。首先,我们要从概念上区分。动词的-ing形式在起名词作用时,称为动名词;用作形容词或副词时,称为现在分词。其次,我们要从用法方面区分动词的-ing形式是动名词还是现在分词。

一、动词的-ing形式用作主语时为动名词,现在分词不可以用作主语。

1.动名词用作主语.

Reading French is easier than speaking it.

2.有时it作形式主语,把动名词主语放在句子后面

It’s nice seeing you again. 再次见到你太好了。

It was tiring driving from morning till night. 从早到晚开车很累人。

3. “There is + no”后可以用动名词作主语

There was no arguing with her. 没法和她争论。

二、动词的-ing形式用作宾语时为动名词,现在分词不可以用作宾语。

1.有许多动词可接动名词作宾语

I suggested bringing the meeting to an end. 我建议结束会议。

2.有许多带介词的动词固定搭配接动名词作宾语

He has given up playing football. 他现在不踢足球了。

三、当动词的-ing形式用作状语时为现在分词,动名词不可以用作状语。

现在分词及其短语可以用作状语,表示时间、原因、结果、条件、让步、方式或伴随情况等。其动作可能发生在谓语之前或之后,也可能与谓语动词的动作同时发生。

Living in the country, we had few social engagements. (表原因)

Having money, he will buy a bigger car.(表条件)

Knowing the secret, she would not tell me about it.(表让步)

四、动名词与现在分词都可以用作表语,当动词的-ing的作用相当于名词时为动名词。当动词的-ing的作用相当于形容词时,动词的-ing为现在分词。

1.动名词用作表语

Her hobby is painting. 她的爱好是绘画。

The main thing is getting there in time. 首要的事是及时到达那里。

2.现在分词用作表语

The news is encouraging. 这消息令人鼓舞。

The day was so charming. 天气真是好极了。

五、动名词与现在分词都可以用作定语

现在分词表示其所修饰的名词的动作,即: 现在分词与其所修饰的名词在逻辑上具有主谓关系。通常能改为一个定语从句。动名词则表示其修饰的名词的性质,或用途或功能. 两者在逻辑上无主谓关系。因此,只能改为一个for加动名词的短语。

1.动名词作定语,动名词表性质或用途或功能。

swimming pool 游泳池 drinking water 饮用水

2.现在分词作定语

developing countries 发展中国家 a booming town 日渐繁荣的城镇

资料来源于网络

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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