《笑傲江湖》一共有几个版本? -- 影评

原文:http://zhidao.baidu.com/question/7652164.html


《笑傲江湖》一共有几个版本?

2006-05-23 21:18提问者:  You转  | 浏览次数:48207次  |  该问题已经合并到>>
分别是谁主演的?大家觉得哪个版本最好看?
我来帮他解答
满意回答
检举| 2006-05-23 22:29
《笑傲江湖》:共有五个版本。笑傲不是被拍的最多的,但绝对是被糟蹋的最多的,先后毁于马景涛、任贤齐和李亚鹏之手。好在TVB的两部还过得去,才不至于让笑傲这本我最喜欢的金书,在银屏上遗憾终生。
(1)TVB1984年版:
令狐冲 —— 周润发 饰 
任盈盈 —— 陈秀珠 饰 
岳灵珊 —— 戚美珍 饰 
林平之 —— 董 虑 饰 
仪 琳 —— 黄曼凝 饰
能让已经大红大紫的周润发出来担纲主角,无线对这部剧还是寄予了不小的期望。而总体上来看也比较成功,当然除了当时港产武侠剧一贯的缺点——动作太傻,场景太假以外,演员的表现还是可圈可点的。

周润发(令狐冲)(7.8分):发哥酷还是酷的,但总觉得令狐冲是不需要酷的。除此以外,那份自信的傲气和情深的迷惘,发哥的演绎不可不谓精彩。
贴合原著(7分):似乎身子太块了,倒多了些侠客气概。
演技(8分):眼神和表情,很出色。
容貌(9分):年轻的周润发就是酷。

陈秀珠(任盈盈)(7分):陈秀珠少了一点霸气,后期就比较好了。
贴合原著(7分):真有点艺术气质。
演技(7分)
容貌(7分)

戚美珍(岳灵珊)(7.8分):小师妹是相当出色的,其后也无出其右者。
贴合原著(8分)
演技(8分)
容貌(7分)

董 虑(林平之)(6分):基本合格。
贴合原著(6分)
演技(6分)
容貌(6分)

黄曼凝(仪 琳)(5.6分):小凝和另两个女生比就要差一些了。
贴合原著(5分)
演技(6分)
容貌(6分)

全剧得分:6.84分

(2)TVB1996年版:
令狐冲 —— 吕颂贤 饰 
任盈盈 —— 梁佩龄 饰 
岳灵珊 —— 陈少霞 饰 
林平之 —— 何宝生 饰 
仪 琳 —— 何美钿 饰
这部剧从整体上来看并不算好,但我惟独十分欣赏吕颂贤的这个令狐冲。可以说,在一直以来我心中的冲哥形象就是吕颂贤,虽然也许他并没有得到太多的认可。

吕颂贤(令狐冲)(8分):吕颂贤在无线剧中一向是个绝对的配角,长相和演技都不出众的他自然很难得到观众的注意。而突然在这样一部大剧中担纲一号主角,他也缺少足够的气度和造势,而也恰恰如此,令狐冲淡泊的个性和无争的追求反倒表现得更加自然贴切。我欣赏的就是这点。
贴合原著(9分):吕颂贤不够俊朗,却有一股书卷气,很有华山弟子的感觉。
演技(8分):颓然落魄时的令狐冲,小吕演得最好。而发自内心的情意与义气,在平淡真挚的一举一动中才最是自然。
容貌(6分):此项的不足,是其难成主角的原因。

梁佩龄(任盈盈)(5.8分):梁佩龄的变化之大,使其根本不适合在十年后再涉足金庸剧,而且还是这么重要的角色。事实上,我本来很喜欢九十年代初期之前的小梁,但在这里,她只能是全剧的败笔。
贴合原著(5分):装小姑娘不是容易的事,她和许晴犯着同样的错误。
演技(7分):表演还是不错,应该值得肯定。
容貌(5分):老的太明显。

陈少霞(岳灵珊)(6.2分):她也是常客了。这一部算是她最好的。我很记得小师妹和令狐冲看星星的那一段,配上背景音乐十分美妙。
贴合原著(6分)
演技(7分)
容貌(5分)

何宝生(林平之)(7分):也还可以,但后期的仇恨表现不够。
贴合原著(7分)
演技(7分)
容貌(7分)

何美钿(仪 琳)(7.4分):外表柔弱娇小的她,很适合仪琳的样子。
贴合原著(8分)
演技(7分)
容貌(7分)

全剧得分:6.88分

(3)中视2000年版:
令狐冲 —— 任贤齐 饰 
任盈盈 —— 袁咏仪 饰 
岳灵珊 —— 陈德容 饰 
林平之 —— 宋达民 饰 
仪 琳 —— 蔡烂得 饰
改得一塌糊涂,我不得不把最坏的评价给它。

任贤齐(令狐冲)(3.4分):
贴合原著(3分)
演技(3分)
容貌(5分)

袁咏仪(任盈盈)(5分):
贴合原著(5分)
演技(4分)
容貌(7分)

陈德容(岳灵珊)(4.6分):
贴合原著(5分)
演技(3分)
容貌(7分)

宋达民(林平之)(3.2分):
贴合原著(3分)
演技(3分)
容貌(4分)

蔡烂得(仪 琳)(3.8分):
贴合原著(4分)
演技(3分)
容貌(5分)

全剧得分:4分

(4)新加坡TCS2000年版
令狐冲 —— 马景涛 饰 
任盈盈 —— 范文芳 饰 
岳灵珊 —— 李锦梅 饰 
林平之 —— 周初明 饰 
仪 琳 —— 曾诗梅 饰
这部是我费了很大的心血找到的,但我宁愿从来不知道它。

马景涛(令狐冲)(2.6分):一头蓬乱的毛发,他完全是在搞笑。
贴合原著(1分)
演技(3分)
容貌(5分)

范文芳(任盈盈)(5.4分):她实在不适合这个。
贴合原著(5分)
演技(5分)
容貌(7分)

李锦梅(岳灵珊)(3.2分):
贴合原著(3分)
演技(3分)
容貌(4分)

周初明(林平之)(4.2分):
贴合原著(5分)
演技(3分)
容貌(5分)

曾诗梅(仪 琳)(3.2分):
贴合原著(3分)
演技(3分)
容貌(4分)

全剧得分:3.72分

(5)央视2001年版
令狐冲 —— 李亚鹏 饰 
任盈盈 —— 许 晴 饰 
岳灵珊 —— 苗乙乙 饰 
林平之 —— 李 解 饰 
仪 琳 —— 陈丽峰 饰
张纪中的处女作,考虑到这点应该原谅他。编剧是第一失败,选角是第二失败。除了一些场景和镜头可以说是大师级的,基本让我看得很郁闷。记得刚播完时,我还在新浪上为它说了一点好话,立刻被指为央视枪手。没法,观众就是这么恨它。

李亚鹏(令狐冲)(4.4分):实在没看出小李子在哪一处的表演上像过令狐冲。该灵时不灵,该痴时不痴,他还大言不惭“我就是令狐冲”,实在该把自己挖个坑埋了。
贴合原著(4分):双眼极其呆滞。
演技(4分):“破——剑——示”。
容貌(6分):据说他是青春偶像型。

许 晴(任盈盈)(6.4分):一个内地挺好的演员,干吗要来趟这个。或许张纪中认为她很有气质,可惜盈盈不是这种气质。最受不了是她故作娇嘀状,看她以前第三者演多了,实在难以忍受。
贴合原著(6分):终究不是这个戏路的人。
演技(6分):给个及格。
容貌(8分):除了年龄大点,长的还是不错的。

苗乙乙(岳灵珊)(6.4分):前面比后面后。看她是新人,难以把握那种矛盾的性格,可以理解。
贴合原著(7分)
演技(6分)
容貌(6分):她说她最喜欢演小龙女,的确远远不够。

李 解(林平之)(6分):从开始看他就觉得像个坏人,后面的疯狂是够了,但难以唤起观众的同情。
贴合原著(6分)
演技(6分)
容貌(6分)

陈丽峰(仪 琳)(6.6分):模特身材就不适合仪琳了,除此以外,还算出色。
贴合原著(6分)
演技(7分)
容貌(7分)

全剧得分:5.96分

综合:
《笑傲江湖》最佳阵容:
令狐冲 —— 吕颂贤 
任盈盈 —— 陈秀珠 
岳灵珊 —— 戚美珍
林平之 —— 何宝生
仪 琳 —— 何美钿

《笑傲江湖》最佳版本:TVB1996年版
121 | 评论

eloise_xyz |三级采纳率17%

擅长领域:暂未定制

按默认排序|按时间排序

 其他回答 共7条

2006-05-23 22:32 秦子苏 |十四级
1984TVB版,主演:周润发,陈秀珠,戚美珍,董玮
1996TVB版,主演:吕颂贤,梁佩玲,陈少霞,何宝生
台湾早期版:主演:梁家仁,刘雪华
台湾97版:主演:任贤齐,袁咏仪
大陆版02:主演:李亚鹏,许晴,苗乙乙 李解 
新加坡版:马景涛,范文芳 李锦梅 周初明 郑秀丽 
电影版有《笑傲江湖》许冠杰,叶童,张敏,张学友
《笑傲江湖之东方不败》李连杰,李嘉欣,关之琳,林青霞
《东方不败之风云再起》林青霞,王祖贤
据说电影方面还有一部施思(她最著名的作品应该是《珍珠传奇》,饰演沈珍珠。)饰演盈盈的,但我没找到过资料,只是从报纸上知道她演过,所以不敢确定。
我知道的就这些。电视我觉得是TVB96版好看,虽然盈盈不是很漂亮,但很大气。其次是发哥的版本。电影第一部和第二部都挺好看。无论是演员的表演,还是武打设计以及音乐制作都很精良。但第三部个人不是很喜欢。感觉武打设计太假。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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。
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