自下而上的金字塔搭建方式

简介: 自下而上的金字塔搭建方式

大家好,我是阿萨。

前一篇讲述了《金字塔原理》里的自上而下的金字塔搭建方法。今天我们学习自下而上的金字塔搭建方法来解决写作和表达相关问题。

1)适用场景

2)三步走操作方法

3)整理思路

1)适用场景:

A.无法得出结论,无法确定主题。自己只掌握了部分论据,还没有确定相关主题。

B:无法得知读者疑问,无法得知读者了解什么,不了解什么。

2)三步走方法:

自下而上思考:

1.列出你想表达的所有思想要点。

2.找出各要点之间的逻辑关系。归纳法和演绎法的应用来看看各要点之间的联系。

3.得出结论。

3)得出结论后整理思路:

1.确定主题

2.列出疑问(1)

3.给出疑问的答案(1)

4.背景

5.冲突

重复2-5,回答所有疑问

疑问(2)

答案(2)

6.新的疑问 ,如何操作达成以上疑问的所有答案。

7.关键句要点 通过细化步骤六的操作以及具体实施措施。

通过以上要点去实现 自下而上的写作表达方式。

简单总结下:


先列论据,然后归纳或者演绎出中心思想后,再整理整个金字塔。确保所有疑问都解答后输出内容。

相关文章
|
6月前
|
机器学习/深度学习 人工智能 算法
人工智能中数据组合采样、特征层、算法层的讲解(图文详解)
人工智能中数据组合采样、特征层、算法层的讲解(图文详解)
151 0
|
4月前
业务架构问题之什么是自上而下和自下而上的设计方法
业务架构问题之什么是自上而下和自下而上的设计方法
153 18
|
4月前
|
机器学习/深度学习 移动开发 自然语言处理
【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进,助力小目标高效涨点
【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进,助力小目标高效涨点
|
6月前
|
机器学习/深度学习 算法 计算机视觉
YOLOv8 | 卷积模块 | 提高网络的灵活性和表征能力的动态卷积【附代码+小白可上手】
本教程介绍了如何在YOLOv8中使用动态卷积提升网络性能和灵活性。动态卷积利用注意力机制动态选择和组合卷积核,适应输入数据特征,解决了轻量级CNN的局限。文中提供了详细步骤教读者如何添加和修改代码,包括在`conv.py`中添加`Dynamic_conv2d`模块,更新`init.py`、`task.py`和`yaml`配置文件。此外,还分享了完整代码和进阶技巧,帮助深度学习初学者实践目标检测。参考[YOLOv8改进](https://blog.csdn.net/m0_67647321/category_12548649.html)专栏获取更多详情。
|
6月前
|
数据可视化 数据建模
R语言用线性混合效应(多水平/层次/嵌套)模型分析声调高低与礼貌态度的关系
R语言用线性混合效应(多水平/层次/嵌套)模型分析声调高低与礼貌态度的关系
|
6月前
|
机器学习/深度学习 算法 PyTorch
【SAHI】即插即用| SAHI操作可有效解决小目标检测过程中的难点!实现涨点
【SAHI】即插即用| SAHI操作可有效解决小目标检测过程中的难点!实现涨点
364 1
|
数据库 开发工具
向量学习过程思想总结概括
向量学习过程思想总结概括
|
6月前
|
机器学习/深度学习 算法 文件存储
QuadraNet部署之星 | 从神经元重构到结构和整个模型的全面设计
QuadraNet部署之星 | 从神经元重构到结构和整个模型的全面设计
69 0
【逻辑思维训练 一】金字塔思维概述
【逻辑思维训练 一】金字塔思维概述
125 0
|
传感器 机器学习/深度学习 人工智能
盘一盘 | 基于BEV空间的视觉感知算法模型梳理(自下而上&自上而下)(下)
激光雷达传感器可以提供物体准确的深度信息以及结构信息;但激光雷达传感器提供物体信息的距离比较有限,同时其获得的点云数据与相机传感器采集到的图像信息相比更加稀疏;
盘一盘 | 基于BEV空间的视觉感知算法模型梳理(自下而上&自上而下)(下)
下一篇
无影云桌面