如果你想记住变量类型的意思，那就是
str 字符串
int 数值
bool 布尔值
这就跟乘法表一样一一得一，二二得四。
如果从整体代码作为输入，那你不可能重现之前见到的情况。
在识别
a: str
先用一个知识提取出“冒号”后面的字符串是一个变量的类型，这明显是判别模型需要建模的，之后才能继续用上面那个“乘法表”来知道是哪个类型的变量，再之后才可以根据这个类型的变量和其他概念的关系去做某些事情，这又牵扯出其他概念的模型或需要记忆的表格。
终于交流到我想问的核心问题了。
我觉得这里同时包含了两个步骤：
1.判断这类东西是「变量类型声明」的代码；
2.根据「变量类型声明」推断出「变量类型」；
你刚才列无法通过「经验预测」解决的情况，即「变量类型声明」的外延是无限的，这个我认同，但如果我把「变量类型声明」和「变量类型声明的右边」连同「int」，「str」，「num」，「bool」等所在的层面单独设定为对象层，那么我是不是可以直接通过记忆以下几种情况来塑造「经验推测」的能力解决这个问题。
1.变量类型声明的右边右边部分是str，那么变量的类型就是字符串。
2.变量类型声明的右边部分是int，那么变量的类型就是整数
……
可以，但你这个知识无法解决你刚才的目的，你需要先判断出来哪个部分是类型声明，哪个部分是变量名称，才能再利用你这个知识判断变量的类型是什么。
你要判断的是电脑屏幕上那段代码是什么，你这个模型只能应用在已经被其他知识识别好的，已经进入你脑子里的抽象概念上。
你经过这么多年的阅读理解，已经把识别这些符号的能力内隐化了，所以你没有意识到你做了这些事情。
嗯，其实我想问的是，虽然有一个判别的过程，但因为对象层是设在「类型声明」，「类型声明的右部」与「int」，「bool」，「str」所在的层面。所以最终是不是还是可以归类为「经验预测」？
那肯定是经验预测，但就已经不是你最开始问的问题了。
而且你这个是三个经验预测，不是一个。
经验预测的输入是一个，而不是一类。
你自己把输入输出列一下就知道了。
1 个赞
大概明白了，感谢回答
你的这几步操作中，出现了多个误解。下面给你详细解释。为了让你看明白，我会把每个知识的输入输出列出来：
第一步，你知道学习「类型注解」的概念，就是去渐构「“类型注解”的判别模型」。这一点没问题。
第二步，你想要渐构「一个关于类型注解的联结模型」，你选择的是从「类型注解」推测「数据类型」。但这个知识的输入输出是什么呢？根据你把「对象层直接切换成 “str”，“int”，“number”」来看，你所认为的输入输出是：
- 输入空间：{str，int，number}
- 输出空间：{字符，整型，数字}
发现问题了吗？str和字符本来就是一个意思，如果你的“str”代表的是字符，那么你其实是渐构从「数据类型的写法」到「数据类型」的推测。但这个根本就不用渐构。这属于「语言知识」中的「建立“文字-含义”指代」，是靠记忆的。课程里有讲「语言知识的特殊之处」：
这是第一个问题。除此之外，还有一个问题。那就是，你实际写代码的时候，别人会直接写给你 {“str”，“int”，“number”} 中的一个吗？
实际写代码时，你看到的是下面的「任意字符串」：
age: int = 25def greet(name: str): print(f"Hello, {name}")def get_pi() -> float: return 3.14159age = 25result = "The answer is " + str(42)“科学是第一生产力”
你其实一直都在运用 从「任意字符串」推测「数据类型」 的能力，其输入输出是：
- 输入空间：{所有可能的字符串}
- 输出空间：{字符，整型，数字，…}
而这其实并不是「“类型注解”的判别模型」。
「“类型注解”的判别模型」的输入输出是：
- 输入空间：{所有可能的字符串}
- 输出空间：{是类型注解，非类型注解}
这个知识将「一种特定的写法」归成了一类，称为「类型注解（概念）」。拥有这个知识后，你可以做出如下判断：
age: int = 25：是类型注解def greet(name: str): print(f"Hello, {name}")：是类型注解def get_pi() -> float: return 3.14159：是类型注解age = 25：非类型注解result = "The answer is " + str(42)：非类型注解- “科学是第一生产力” ：非类型注解
「类型注解（概念）」的知识，和**从「任意字符串」推测「数据类型」**的知识，还不一样。甚至即使你没学过「类型注解（概念）」，也不妨碍你对后者的掌握。
「类型注解（概念）」相当于是一种事后总结，告诉你，这类代码有什么特点。
有关「类型注解（概念）」的一个真正的「联结模型」是：
从「任意类型注解（概念）」到「是否影响代码运行」的推测：
- 输入空间：{所有的类型注解}
- 输出空间：{影响代码运行，不影响代码运行}
- 实际应用：
age: int = 25中的: int不影响代码运行，去掉也没关系。
再回答你关于「联结模型」是记忆还是学习的问题。
你其实是将「联结模型」的「输入空间」搞错了：
「联结模型」的「输入空间」是「输入概念的外延」，而不是「输入概念」这个抽象类别：
例如，如果你要把「类型注解」作为输入概念，建立「联结模型」时，你不能把「类型注解」这个抽象类别作为输入空间，那样的话，输入空间里的元素必然只有一个了，而是应该把「类型注解」的外延，作为输入空间。
换句话说，「联结模型」是需要「判别模型」才能实现的：
例如，从「类型注解（概念）」到「是否影响代码运行」的推测 这个联结模型，你为了能够明确「类型注解（概念）」的外延，你本身就需要「“类型注解”的判别模型」。
2 个赞
感谢于博的回答，我其实还有一个问题，就是面对一段学习材料的时候，感觉脑子里一堆渐构相关的概念，但是很懵，有种不知道先出什么牌的感觉。这个是要先分析出自己学习知识的目的，还是先看知识的学习材料，在解决的是什么推测任务，然后再确定是要塑造「经验推测」还是「模型推测」的能力嘛？
我真心觉得课程应该多出点「经验推测」和「模型推测」的练习题，我感觉这个真的是最重要的，比分析知识的输入输出还要优先，不然第一步就掐住了 
这么说吧，我见过大多数情况，都是大家对渐构世界模型的掌握不牢，把模型推测误以为成了经验推测，在学习新知识时，经验推测很少
是啊，而且感觉目前课程对于「经验推测」和「模型推测」相关练习题也还是比较少 
「经验推测」和「模型推测」的区分主要在于对课程基础概念的掌握，「抽象层级」「五组概念」「信息推测」「输入输出」，这些概念掌握不牢。「模型推测」和「经验推测」就区分不出来。
1 个赞
比如说，你发的这个贴，其问题的核心，就在于你没掌握好「联结模型」的概念。在课程这个位置 明确强调了，a到b的联结模型，其实是「a 的外延（输入空间）」到「b 的外延（输出空间）」的「映射关系」。
下面有原文：
还有例子
但你明显忽略了这块，把「a到b的联结模型」理解成了「a（抽象单位）到b（抽象单位）的关系」，这必然会导致任何联结模型推测都会变成“经验推测”
ok，这几点重点再打一下基础，一定要把「经验推测」和「模型推测」的判别模型建好，不然感觉后面的都不用学了 
。
于博我来举个例子：python中的"枚举的作用"。如果我的目的是判断任何一个具体的枚举的作用（即是输入是空间，但是输出只有一种情况，有点类似常量函数。那我是不是可以当作是模型预测？？如果我的目的是知道枚举在各种python写的项目中的作用，是不是就是经验预测?
我其实这个目的有点把握不准，于博能顺便帮我判断一下这里到底应该选哪一个目的才是正常的呀？
模型预测的输出不可能只有一种情况，模型的定义中输出必须是空间，然后你可以将你说的枚举举几个具体的例子出来，然后说哪个例子属于经验预测，这个表述也有很多歧义。
最后正不正常等于博答吧，我不清楚你的意思。
所以常函数不是模型吗？
你前面说的枚举的作用那块，好像跟我理解的不太一致，因为枚举的作用本身就是一个集合，这块可能也没说到一起去。
然后常量函数如果在《世界模型》中，模型的输出是被描述成了输出空间的，具体为啥我忘了，之前社群里讲过，假如f(x)=5，那么输出空间是{5}，输出空间的定义是： 所有可能输出常量 所组成的集合。
这里断墨里面讲过，太阳早上从东方升起是知识还是信息？答案，都可以，某些知识映射过于简单，所以你可以直接记忆就行，就是经验预测，但记忆可以被理解为过拟合的学习，你记忆时，你第一步还不是要明确输入和输出，而且你渐构神经网络模型后，不是也要抑制模型的遗忘吗。
本质上是你不够熟练这套理论，内化后，瞬间就可以做出判断，这就是一个新情况，你可以自己创造一个概念，如简单知识的记忆处理等等