饭店小 姐的幽默 超搞笑

同事到外地出差,当地的同事热情好客,当晚便在一特色酒店的包间设宴接风。男男女女十几个人落座后便不停的聊天,只有一个人在点菜。点好了,征求大伙儿意见:“菜点好了,有没有要加的?”

这种情况,我们在北京一般是让小 姐把点过的菜名儿报一遍。于是一位北京的哥们儿说:“小 姐,报报。”

小 姐看了他一眼,没动静。

“小 姐,报一下!”哥们儿有点儿急了。

小 姐脸涨得通红,还是没动静。

“怎么着?让你报一下没听见?”哥们儿真急了。

一位女同事赶紧打圆场:“小 姐,你就赶紧挨个儿报一下吧,啊。?

小 姐嗫嚅着问:“那,那……就抱女的,不抱男的行吗?”

“噗!”边上一位女同事刚喝的一大口茶全喷前边人身上了。十几个人笑做一团,小 姐更是不知所措。




上菜了,先上一个拌拉皮儿。一大盘拉皮儿端上来,接着是几碟儿配料、酱汁儿什么的。小 姐上菜的时候没留神,一滴酱汁儿洒在一位哥们儿的裤子上了。那哥们儿也是成心逗闷子,假装阴沉着脸问小 姐:“怎么办呀?”

小 姐很冷静地说:“怎么办都行。”

“那你说怎么办?”

“您想怎么办就怎么办?”

“那你们这儿一般是怎么办的?”

“要不俺帮您办?”

“好呀。”

只见小 姐麻利的把几碟儿配料、酱汁儿一股脑倒在拉皮儿上,一手拿筷子,一手拿

勺子,刷刷几下就拌好了。然后对那哥们儿说:“先生,拌好了,可以吃了。”

哥们儿努着眼珠子瞪着那盘子拉皮儿半天没说话,另一位同事替他跟小 姐说了声“谢谢”。




上主菜了——烧羊腿,一大盘肉骨头,一碟子椒盐儿。一位北京哥们儿酷爱这口儿,
毫不客气的抓起一羊腿,咔嚓就是一口,呱唧呱唧的大吃起来。小 姐一见,说道:

“先生,这个要蘸着吃。”

哥们儿将信将疑的看了看小 姐,又看了看当地的同事。当地的同事说:“蘸着吃好吃一些。”

哥们儿于是拿着羊腿站起来,咔嚓又是一口。

小 姐赶紧过来问:“先生,您有什么需要吗?”

“啊?没有啊。”

“那请您坐下来吃。”

哥们儿嘀咕着坐下来,看了看大伙儿,茫然若失。小心翼翼的把羊腿拿到嘴边,小心翼翼的咬了一口。

小 姐又说:“先生,这个要蘸着吃。”

哥们儿腾地一下站起来,挥舞着羊腿怒气冲冲的嚷:“又要站着吃,又要坐着吃,到底怎么吃!?”





酒菜满席,领导跚跚而来。

满座起身相迎,一片寒喧之声。

旁边侍宴的小 姐甚美,新来,经验不丰,颇有些紧张。

众人落座,有人招呼:“小 姐,茶!”

小 姐忙近前用手指点:“1、2、3、4、5、6、7,共七位!”

众人哂笑,领导补充曰:“倒茶!”

小 姐忙又“倒查”了一遍:“7、6、5、4、3、2、1,还是七位。”

有人发问:“你数什么呢?”

小 姐犹豫了一下小声答道:“我属狗。”

众人怒,急呼:“叫你们经理来!”,经理入,垂手讪笑,问:“诸位,传我何事?”

领导曰:“别多问,去查查这位小 姐年龄属相。”

经理纳闷,依命而行,旋来回复:“18岁,属狗!”

领导大笑,众人大笑。领导海量不做追究,众人雅量不便追究。

小 姐、经理如坠五里云雾。






酒过三旬,上来一道菜:“清炖王八!”

众人皆喜,然未忘规矩,有人以箸拨王八头曰:“领导动动,领导动动!”

领导看着被拨得乱颤的鳖头,心中不悦,既不愿谐了此言的尾音又不愿违了众人美意,于是乎持勺酌汤,曰:“好,好!大家请随意。”

又有人奉称曰:“对清炖王八就该喝汤!”领导气得几乎喷饭。

未几,汤将尽,有物圆圆浮出,问:“小 姐,这是什么?”

小 姐忙答:“是王八 蛋。”众人又惊喜:“领导先吃,领导先吃!”
这此领导没听到“晦气”之言,甚悦,唤小 姐:“给大家分分!”

良久,小 姐不动,领导怒问:“怎么,这也分不清楚吗?”

小 姐为难的说:“七个人,六个王八 蛋,您叫我怎么分啊?”

众人听罢,个个伸脖瞪眼,满口美食,难以下咽。`
 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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