小说素材1

最新推荐文章于 2024-09-05 16:52:14 发布
最新推荐文章于 2024-09-05 16:52:14 发布
阅读量55 收藏
点赞数
文章标签： twitter 新浪微博 百度 微信 微信公众平台
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Tinainchina/article/details/129925736
版权

“

大哥 干活的不是你是吧

我们这边还没踩上一个点呢

你就老急着吃

你他妈的就知道跟女的装阔气

见着女的面

就好似胜券在握似的

老说什么 不着急

那咋就跟我们发难呢

咋就一到我们这 你就说急的不得了的话呢

感情你站着说话不腰疼是吧

就算你腰疼

我们之前给你骗来的女人们也会服侍你是吧

感情活都是我们干

性福都是你享是吧

怎么的 之前我们一个哥们就跟你一个女人睡了一觉 你就跟哥们翻脸是吧

你他妈的也不干活 有什么资格跟我们这些卖命给你干活的人翻脸呢？

还要不要点脸

再说了 那哥们也不是故意要跟她睡的

如果不是你女人太多 你一个人哄不过来 你的那个女人也不会寂寞到勾引这位仁兄

那哥们睡完你女人之后跟我们叫苦不迭

说你女人实在太如饥似渴了 也不知道你多久没跟她睡了 这一晚上给他折腾的呀 明明是挺好一件事情 怎么实际操作得这么痛苦呢 翻来覆去没个安生 就好像打了一场相扑

这些实际情况 你那女人也是心知肚明的 否则她又怎么会给这个哥们好几百个亿去随便花呢

虽然这好几百个亿是你的钱 但是为了哄你那个女人 现在你就算知道了这件事 你也别回她自己那栋别墅跟她计较啊 毕竟你作为一个大老爷们 给了人家的别墅就别再要回去了 我们知道的话也就算了 这要是让外面的人知道 还以为你有多寒酸呢！

对了 上次你跟拉小姐要回来的那些个首饰珠宝我们已经帮你放到保险箱里了 

拉小姐虽然死命谩骂我们 那也算好的了 当年我们为了跟史小姐要回给她的首饰 可是费尽了心机 不就是为了保住你的好人形象嘛 还好啊 今时不同往日了 你的形象也毁得差不多了 我们做事的时候也没有那么多顾虑了 拉小姐她要骂就骂吧 随便她骂 反正首饰到手就行 女人嘛 改天你哄哄她 跟她睡一宿就好了 没什么杀伤力

”

特此声明：本文纯属虚构，为后期小说积累素材

Tinainchina
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
历史+宫廷+素材+古代嫔妃级别
11-18
在中国古代的宫廷制度中，嫔妃的级别划分是极为精细且复杂的。这反映了封建社会对皇权至高无上以及男性主导地位的强化。在周王朝时期，国王的妻妾制度就已经初具规模，设置了“王后”、“夫人”、“嫔”、“世妇”和...
使用网络爬虫request爬取全本小说网站
06-29
内容创作者：可能需要小说内容作为创作素材的作家或编辑。 使用场景 个人学习：作为学习网络爬虫技术和数据处理的实践项目。 数据分析：在市场研究或内容分析中，需要大量小说文本作为数据源。 内容备
好看的图片，仙人，小说
08-07
好看的图片，仙人，小说
元宇宙未来科技素材PPT模板1.pptx
01-28
这个概念源自于科幻小说，如今已经成为科技领域的重要讨论话题。元宇宙是一个虚拟的、高度沉浸式的网络空间，用户可以通过数字化身份参与其中，进行社交、创造、分享等活动，仿佛置身于一个与现实世界平行的全新维度...
ShareSDK Twitter
apkkkk的博客
08-16 938
1.登录控制台并通过认证2.点击进入Twitter后台3.点击创建应用4.配置应用信息，图中信息仅为示例，创建时请按照真实信息填写，否则无法正常使用。
javaweb学习day1《HTML篇》--新浪微博（前端页面的创建思路及其HTML、css代码详解）
2302_80329073的博客
07-06 949
​ 本篇章为javaweb的开端，也是第一篇综合案例，小编也是看着黑马程序员的视频对里面的知识点进行理解，然后自己找一个新浪微博网页看着做的，主要还是因为懒，不想去领黑马程序员的资料了。 小编任务javaweb和java有诸多共同之处，所以这两个一同进行更新，周期为15天。java可能会快一点，不过还是会同步更新的。小编尽量每天都将自己所学浓缩成综合案例的形式和大家见面的。大家可以试着自己找新浪新闻进行练习。 不知道大家能否找到，小编将网址放在下面了，以防万一。 ​
四战搜索，抖音难造“百度”
09-05 958
来自第三方statcounter的数据显示，2024年6月，我国手机端搜索引擎市场中，市场份额占比最大的是百度，市场份额占比69.09%，其次是必应，市场份额占比13.88%，搜狗以5.40%的占比名列第三。「新熵」试用下来发现，现阶段的抖音搜索App，更像是抖音内置搜索功能的简化版本，可以使用抖音账号登录关联好友关系等信息，同时也包含短视频界面，用户可以无缝衔接到视频的瀑布流中，点击底部"+" 可以发抖音视频。在抖音，随手搜已经变成自然而然的习惯行为，同时也是一座尚未充分挖掘的宝矿，即海量的内容沉淀。
百度飞将 paddle ，实现贝叶斯神经网络 bayesue neure network bnn,aistudio公开项目 复现效果不好
09-03 1399
本文将不确定性引入神经网络，将确定性参数的神经网络改造为具有随机特性的概率神经网络（也成贝叶斯神经网络）。本文是贝叶斯神经网络的奠基作之一，具有很高的引用量。具体地，在传统神经网络中，各网络节点的参数为确定值；通过本文方法引入不确定性后，各网络节点的参数转变为满足概率分布的随机变量。每次正向推理时，网络会根据概率分布对参数值进行采样，并以采样到的值作为本次正向推理的参数值。
zblog自动生成文章插件(百度AI写作配图，图文并茂)
网站系统开发
09-05 744
本自动生成文章AI配图插件适用于zblog系统，全自动写作配图，自动更新网站。利用百度文心一言AI写作+阿里通义万相AI智能配图两大API实现网站SEO优化，全自动生成图文并茂的文章。不用再花费额外时间和精力去维护网站，每天定时自动生成SEO配图文章自动发布。你只需要准备好自己的关键词就可以自动生成文章。
基于百度AIStudio飞桨paddleRS-develop版道路模型开发训练
hsg77的专栏
09-05 434
基于百度AIStudio飞桨paddleRS-develop版道路模型开发训练
考拉悠然董事长申恒涛受邀出席2024AGIC深圳通用人工智能大会
Koala_Uran的博客
09-02 398
当前，AGI技术正处在Level 2阶段，其能力已达到人类水平的50%，然而在广泛任务中的应用尚待实现。作为一年一度的人工智能行业盛会，AGIC深圳（国际）通用人工智能大会汇聚了全球顶尖学者、行业领袖及企业家，共同探讨通用人工智能的未来路径、技术革新与产业融合。"如果说通用大模型是‘知其然’，那么行业大模型则是‘知其所以然’。未来，考拉悠然也将继续与生态合作伙伴携手并进，共创多模态行业大模型，共同构建万物A1的美好世界。目前，大模型的行业化应用已渗透至多个领域，包括工业、交通、能源、金融、医疗、农业等。
vue3+ts封装类似于微信消息的组件
qq_59625204的博客
09-05 473
【代码】vue3+ts封装类似于微信消息的组件。
C++入门基础知识10
zhaoylzy的博客
08-12 693
C++ 标识符是用来标识变量、函数、类、模块，或任何其他用户自定义项目的名称。一个标识符以字母 A-Z 或 a-z 或下划线 _ 开始，后跟零个或多个字母、下划线和数字（0-9）。C++ 标识符内不允许出现标点字符，比如 @、& 和 %。C++ 是区分大小写的编程语言。因此，在 C++ 中，Manpower 和 manpower 是两个不同的标识符。
2024-2030全球与中国硅胶婴儿用品市场现状及未来发展趋势 Sample-Li Jinpan.pdf
09-05
QYResearch是全球知名的大型咨询公司，行业涵盖各高科技行业产业链细分市场，横跨如半导体产业链（半导体设备及零部件、半导体材料、集成电路、制造、封测、分立器件、传感器、光电器件）、光伏产业链（设备、硅料/硅片、电池片、组件、辅料支架、逆变器、电站终端）、新能源汽车产业链（动力电池及材料、电驱电控、汽车半导体/电子、整车、充电桩）、通信产业链（通信系统设备、终端设备、电子元器件、射频前端、光模块、4G/5G/6G、宽带、IoT、数字经济、AI）、先进材料产业链（金属材料、高分子材料、陶瓷材料、纳米材料等）、机械制造产业链（数控机床、工程机械、电气机械、3C自动化、工业机器人、激光、工控、无人机）、食品药品、医疗器械、农业等。
用于非线性模型预测控制 (NMPC) 的并行优化工具包.7z
09-05
用于非线性模型预测控制 (NMPC) 的并行优化工具包.7z
Flow-Guided-Feature-Aggregation研究基于视频的目标检测FGFA框架.zip
最新发布
09-05
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
习题集计算机原理习题集
09-05
【习题集】计算机原理习题集 计算机原理习题集 习题 一 1．微型计算机的发展经历了哪几个时代？每个时代有哪些主要特点？ 2．简述Pentium4 微处理器的处理能力。 3．冯·诺依曼计算机的结构特点是什么？ 4．典型微机有哪三大总线？它们传送的是什么信息？ 5．什么叫微处理器？什么叫微型计算机？什么叫微型计算机系统？这三者有什么区别和联系？ 6．微处理器内部一般由哪些部分组成？各部分的主要功能是什么？ 7．试用示意图说明内存单元的地址和内存单元的内容，二者有何联系和区别？ 8．高级语言、汇编语言、机器语言有何区别？各有何特点？ 9．评价微型计算机性能的主要指标有哪些？试举例说明现在市场主流机型微型计算机的性能参数。 10．现代微型计算机的主板通常由哪些部分组成？主板上的总线扩展插槽有何用途？ 习题 二 1．8086CPU从功能上分为哪两个工作部件？每个工作部件的功能、组成和特点分别是什么？ 2．8086CPU中有几个通用寄存器，有几个变址寄存器，有几个地址指针寄存器？它们中通常哪几个寄存器可作为地址寄存器使用？ 3．8086CPU的标志寄存器中有哪些标志位？它们的含义和作用是什么？
基于Spring Boot框架的尚融宝网络借贷平台.zip
09-05
基于Spring Boot框架的尚融宝网络借贷平台 项目介绍 尚融宝是一个网络借贷信息中介服务平台，致力为高成长人群提供专业的线上信贷及出借撮合服务。行业案例包括人人贷、拍拍贷等。 技术架构 前端 Node.js: Js运行环境 ES6: Js模块化版本 Axios: Ajax请求工具 Vue.js: 前端框架 ElementUI: 前端组件库 Vueelementadmin: 后台管理系统UI集成方案 NuxtJS: 前端服务器 后端 SpringBoot: 微服务开发框架 SpringCloud: 微服务组件库 SpringCloud Alibaba: 阿里微服务组件库 MyBatis Plus: 持久层框架 Swagger2: API接口文档生成工具 LogBack: 日志系统 alibabaeasyExcel: Excel读写框架 Redis: 缓存中间件 MySQL: 关系型数据库 SpringTask: 定时任务 RabbitMQ: 消息中间件 项目结构 前端 srbadmin: 管理平台 srbsi
用python编程 以一篇爱情小说为运行素材，对其进行数据预处理，编写一个HAN模型。
06-01
好的，我会尽力回答你的问题。首先，让我们来了解一下HAN模型是什么。 HAN模型是一种层次化注意力网络，用于处理文本分类问题，它可以同时考虑单词和句子的语义。在本问题中，我们将使用HAN模型对一篇爱情小说进行分类。 接下来，我们需要进行数据预处理。数据预处理包括读取文本文件、分词、去除停用词、将文本转换为数字表示等步骤。以下是一个简单的Python程序，用于对文本文件进行预处理： ```python import nltk from nltk.corpus import stopwords from keras.preprocessing.text import Tokenizer from keras.preprocessing.sequence import pad_sequences nltk.download('stopwords') # 读取文本文件 with open('love_story.txt', 'r', encoding='utf-8') as f: text = f.read() # 分词 tokens = nltk.word_tokenize(text) # 去除停用词 stop_words = set(stopwords.words('english')) tokens = [word for word in tokens if not word in stop_words] # 将文本转换为数字表示 tokenizer = Tokenizer() tokenizer.fit_on_texts(tokens) sequences = tokenizer.texts_to_sequences(tokens) # 对序列进行填充 maxlen = 100 data = pad_sequences(sequences, maxlen=maxlen) ``` 上述代码将文本文件读取为一个字符串，并使用NLTK库对其进行分词和去除停用词的操作。然后，使用Keras的Tokenizer类将文本转换为数字表示，并使用pad_sequences函数对序列进行填充，确保每个序列的长度相同。 接下来，我们需要编写HAN模型。以下是一个简单的Python程序，用于定义HAN模型： ```python from keras.layers import Input, Embedding, Dense, Dropout, GRU, Bidirectional, TimeDistributed, concatenate from keras.models import Model # 定义模型的输入 input_words = Input(shape=(maxlen,), dtype='int32') input_sentences = Input(shape=(None, maxlen), dtype='int32') # 定义单词嵌入层 embedding_layer = Embedding(input_dim=len(tokenizer.word_index)+1, output_dim=100, input_length=maxlen) # 对单词序列进行嵌入 embedded_words = embedding_layer(input_words) # 定义单向GRU层 gru_layer = Bidirectional(GRU(units=64, return_sequences=True)) # 对嵌入后的单词序列进行GRU计算 word_encoder = gru_layer(embedded_words) # 定义句子嵌入层 embedded_sentences = TimeDistributed(embedding_layer)(input_sentences) # 定义句子GRU层 sentence_encoder = Bidirectional(GRU(units=64, return_sequences=True))(embedded_sentences) # 定义注意力机制 attention = Dense(units=1, activation='tanh')(sentence_encoder) attention = Dropout(0.5)(attention) attention = TimeDistributed(Dense(units=1, activation='softmax'))(attention) sent_representation = concatenate([sentence_encoder, attention], axis=-1) sent_representation = Lambda(lambda x: K.sum(x[1] * x[0], axis=1), output_shape=(128,))(sent_representation) # 将单词编码和句子编码合并 merged = concatenate([word_encoder, sent_representation]) # 定义输出层 output_layer = Dense(units=1, activation='sigmoid')(merged) # 定义模型 model = Model(inputs=[input_words, input_sentences], outputs=output_layer) ``` 上述代码定义了一个包含单词嵌入层、单向GRU层、句子嵌入层、双向GRU层和注意力机制的HAN模型。在注意力机制中，我们使用softmax函数计算每个句子的注意力权重，并将句子嵌入向量加权求和以生成句子表示。 最后，我们需要对模型进行训练和评估。以下是一个简单的Python程序，用于训练和评估HAN模型： ```python # 编译模型 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 训练模型 model.fit([data, data.reshape((-1, 1, maxlen))], labels, epochs=10, batch_size=64) # 评估模型 loss, accuracy = model.evaluate([data, data.reshape((-1, 1, maxlen))], labels, batch_size=64) print('Test loss:', loss) print('Test accuracy:', accuracy) ``` 上述代码编译了模型，并使用训练数据对其进行训练。在本例中，我们假设有一个标签文件，其中包含每个文本序列的分类标签。最后，我们使用测试数据评估模型，并打印出测试损失和准确率。 以上就是使用Python编程，对爱情小说进行数据预处理，并编写HAN模型的过程。希望对你有所帮助！
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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