英汉比较学习:动词 (3) 动词分类
我们知道名词分为很多类,那动词也同样会分类.
如果按功能分的话动词可分为四类,分别是:
实义动词(Notional Verb)、系动词(Link Verb)、助动词(Auxiliary Verb)、情态动词(Modal Verb)
其中只有实义动词可以单独使用.其他三种都有与其他词或句子成份配合使用.可以简单的类比下演戏里面的配角吧.而且貌似划分不是太规范,我网上一搜,发现有很多种说法,再加上本来有些词由于意思不同,可以当作不同类型的词用的,就更让人晕乎了啊.
不过其实做上面四种划分也没太多意义拉.大概知道个概念,知道实义动词或其他三类词区别就OK.重要的是针对具体的每一个词知道怎么用.
另外我用有道词典查了些词,发现里面没把词按上面分四类,而只分三类.vt , vi ,aux .其中vt ,vi表示及物动词与不及物动词.属于实义动词.而剩下的三类貌似都归类到aux,助动词里了.
助动词
助动词自身没有词义,不可单独使用,要和其他动词一起使用. 比如has ,have ,had
情态动词
情态动词是一种本身有一定的词义,但要与动词原形及其被动语态一起使用,给谓语动词添加感情色彩,表示说话人对有关行为或事物的态度和看法,认为其可能,应该和必要.情态动词后面加动词原型.
情态嘛,有个情在里面,所以是带有感情色彩的词.另外它后面的动词必须是原形.以前我要写啥英语句子时可喜欢用情态动词了啊,原因无它,只是因为它后面统一来个动词原型,不用管啥乱七八糟的过去式,过去分词,第三人称单数之类的.
说到有感情色彩,首先是情态动词很鲜明的表达了说话人立场.比如must(肯定), can not (肯定不) , may,might(表示可能)
情态动词和助动词有很多,但常用的不多,实际上我们只要掌握了常用的就差不多.语言学习和很多其他行业都遵循二八原则,其中百分之二十的内容占据了百分之八十的份额.英语词汇多的的吓人,但我们经常用的词实际上也不多.
常用的助动词和情态动词有下面这些:
do ,have ,may ,might ,can ,could ,will, would ,shall ,should ,must ,need ,dare,used to ,ought ot ,had better.
回想下以前考试,貌似好多考试内容都和上面的词有关.平常这些词使用的超级多,但又比较灵活,所有掌握起来挺麻烦的啊.
系动词
系动词亦称联系动词(Link Verb),作为系动词,它本身有词义,但不能单独用作谓语,后边必须跟表语(亦称补语),构成系表结构说明主语的状况、性质、特征等情况.
反正想着Link就是,起联系作用嘛.
比如最为经典的be(am,is,are) .举例She is charming.
然后还有啥seem, feel ,sound
实义动词
实义动词意思完全,能独立用作谓语。实义动词分及物动词和不及物动词
及物动词,不及物动词
按不同的标准来分肯定也会有不同的说法.按动词后面可不可以接宾语分为及物动词与不及物动词.宾语一般是一个名词,代词或名词性短语.
及物动词(Transitive Verb)、不及物动词(Intransitive Verb),缩写形式分别为vt. 和vi. 你在使用有道或金山词霸等翻译工具的时候可以看下,一般在词的意思前面会有vt,vi这样的缩写.而且由于一词多义,所以一个词可以同时是名词,及物动词,不及物动词.具体是哪一种要看你用的是哪个意思.
举例.
I love you .这里面的love就是及物动词.
Do you agree or agree? 你是同意呢还是同意呢? 这里的agree是不及物动词. 另外还有I can't agree more(我非常赞同)
但agree有时也能做及物动词的.比如
I agree your plan. 这里的agree是及物动词
虽然汉语里面没有及物与不及物这种说法,但却是有这种用法.比如我宰了你这小兔崽子.这里的宰就是及物动词.
另外比较经典的骂人话,我操,我日.这两词就是不及物.当然也可以做及物动词用,你可以后面加啥对象.
上一篇: 1 语序和五种基本句型
下一篇: 系动词和常见的系动词常见的系动词包括:注:分析这句话的句子成分,The year when the ship of artifacts was wrecked interest
推荐阅读
-
英汉比较学习:动词 (3) 动词分类
-
英语语法第 3 课:动词的分类和形式
-
I.语法系统 1.学习英语的三个部分: (1) 语音 无错误发音,无口音问题。 (2) 词汇 通过阅读和交流积累词汇。 (3) 语法 应尽量避免语法错误。 II.语法核心 1.学习语法的目的 造句。 2.简单句 句子完整,无法拆分。 简单句的句子成分 (1) 主语、谓语、宾语 怎么样:主语 + 谓语(谓语 = 谓语动词 + 宾语) 主语(主语)--主语补语(主语补语) 宾语(宾语) - 宾语补语(宾语补语) 谓语动词(谓语动词) 谓语动词的三种主要技能: 时态:现在时、过去时、将来时、过去将来时。 方面:一般(未指定)、已完成、进行中、完成(不仅已完成,还在进行中)。 语气:虚拟语气、陈述语气、祈使语气。 非谓语动词 在几乎所有的从句中都可以充当:主语、宾语、主语补语、宾语补语、定语等。非谓语动词,失去(不具有)动词表示时态体调的功能。 形式不同: 动词不定式,吃 现在分词,吃 动名词,吃 过去分词,吃 **五种基本句型 动词类型 例句 句型 不及物动词 睡眠 主语 + 不及物动词 单及物动词 喜欢你 主语 + 单及物动词 + 宾语 双及物动词 教你英语。 主语 + 双及物动词 + 间接宾语 + 直接宾语 混合及物动词 认为你很聪明。 主语 + 混合及物动词 + 宾语 + (宾语)补语 (连系动词 很高。 主语 + 联系动词 + (主语)补语表语 (2) 属词 修饰主语或宾语。 (3) 副词 修饰谓语。 (4) 正话 (4) 否定句(Appositive)。 3.复句 复句(Compound Sentence),又称并列句,多个句子是并列关系。 4.复合句(Complex Sentence) 另一个句子中的一个句子。 (1) 主句 (2)从句:从句,简单句充当另一个句子的句子成分。从句充当句子的所有成分。 名词性从句:主语从句、宾语从句、表语从句、同位语从句 定语从句: 动名词从句 动词从句: III.十大词类 No. 词 作品 说明 1 名词 名词 表示人或物 2 冠词 文章 用英语描述人和事 3 代词 代词 人和事的代词 4 形容词 形容词 描述人和物 5 数字 数字 表示数量 6 副词 副词 修饰动词或形容词 7 介词 介词 表示与其他词之间关系的词 8 感叹词 插入语 感叹词 9 连接词 连接词 连接词语或句子 10 动词 动词 表示动作 10+ 助动词 助动词 助动词可以帮助谓语动词完成时态气体任务,也可以充当实义动词等。 总结 1. 英语语法的核心是动词。 2.一个粗略的核心语法框架可以帮助你鸟瞰语法系统。 3.英语语法充满了特例。 转: 01 语法核心体系
-
计算机视觉中,究竟有哪些好用的目标跟踪算法(下)-快速变形主要因为CF是模板类方法。容易跟丢这个比较好理解,前面分析了相关滤波是模板类方法,如果目标快速变形,那基于HOG的梯度模板肯定就跟不上了,如果快速变色,那基于CN的颜色模板肯定也就跟不上了。这个还和模型更新策略与更新速度有关,固定学习率的线性加权更新,如果学习率太大,部分或短暂遮挡和任何检测不准确,模型就会学习到背景信息,积累到一定程度模型跟着背景私奔了,一去不复返。如果学习率太小,目标已经变形了而模板还是那个模板,就会变得不认识目标。(举个例子,多年不见的同学,你很可能就认不出了,而经常见面的同学,即使变化很大你也认识,因为常见的同学在你大脑里面的模型在持续更新,而多年不见就是很久不更新) 快速运动主要是边界效应(Boundary Effets),而且边界效应产生的错误样本会造成分类器判别力不够强,下面分训练阶段和检测阶段分别讨论。 训练阶段,合成样本降低了判别能力。如果不加余弦窗,那么移位样本是长这样的: 除了那个最原始样本,其他样本都是“合成”的,100*100的图像块,只有1/10000的样本是真实的,这样的样本集根本不能拿来训练。如果加了余弦窗,由于图像边缘像素值都是0,循环移位过程中只要目标保持完整那这个样本就是合理的,只有目标中心接近边缘时,目标跨越边界的那些样本是错误的,这样虽不真实但合理的样本数量增加到了大约2/3(padding= 1),即使这样仍然有1/3(3000/10000)的样本是不合理的,这些样本会降低分类器的判别能力。再者,加余弦窗也不是“免费的”,余弦窗将图像块的边缘区域像素全部变成0,大量过滤掉分类器本来非常需要学习的背景信息,原本训练时判别器能看到的背景信息就非常有限,我们还加了个余弦窗挡住了背景,这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。不是上帝,是余弦窗)。 检测阶段,相关滤波对快速运动的目标检测比较乏力。相关滤波训练的图像块和检测的图像块大小必须是一样的,这就是说你训练了一个100*100的滤波器,那你也只能检测100*100的区域,如果打算通过加更大的padding来扩展检测区域,那样除了扩展了复杂度,并不会有什么好处。目标运动可能是目标自身移动,或摄像机移动,按照目标在检测区域的位置分四种情况来看: 如果目标在中心附近,检测准确且成功。 如果目标移动到了边界附近但还没有出边界,加了余弦窗以后,部分目标像素会被过滤掉,这时候就没法保证这里的响应是全局最大的,而且,这时候的检测样本和训练过程中的那些不合理样本很像,所以很可能会失败。 如果目标的一部分已经移出了这个区域,而我们还要加余弦窗,很可能就过滤掉了仅存的目标像素,检测失败。 如果整个目标已经位移出了这个区域,那肯定就检测失败了。 以上就是边界效应(Boundary Effets),推荐两个主流的解决边界效应的方法,但速度比较慢,并不推荐用于实时场合。