看尽长安十里长街不及黑伞下的呢喃——致敬将夜

在这里插入图片描述
最近也是将夜拍成了电视剧了,所以想写点东西。将夜是前几个月读完的,可以算是作者猫腻的巅峰之作了。

将夜写的就是人类对天地之间探索的一个过程,从开始的好奇、对未知的恐惧到最后的勇敢踏出和坦然接受。

将夜这本书里的人物和情节设计都是特立独行的,但是归根结底还是在讲故事。我不想写作者的故事情节和关于光明和黑暗的观点,猫腻写得很我想写一写作者描写感情方面包括:友情、师徒感情、家国情怀以及整个人类和桑桑之间选择的理所当然。我读起来很舒服。

宁缺和桑桑之间的感情是很生活化很平淡,他们两个是非常不一般的人,一个成为了拯救人类的十三先生,一个就是昊天本身。他们生活在一起,很自然,也说不出来有多么的喜欢对方,只是做着自己该做的事情。宁缺不知道自己有多么的爱桑桑,直到桑桑离家出走,他气急败坏、不知所措,觉得自己怎么都不对。还有鸡汤贴的内容,那就是爱情的质朴,简简单单。简单到了后来桑桑苏醒变成冥王之女被各方势力追杀,宁缺想了:我是男人,站在桑桑前面就可以了,这是唯一的办法,也就是最好的办法了。桑桑变成了昊天,宁缺想了:她是我媳妇,我要接她回家,给我做葱花面。即使是轰轰烈烈的爱情故事,总是透着爱情的简简单单,理所当然,很舒服。看尽长安的十里长街,不及大黑伞下的轻轻低语:今天的葱花面给你加个鸡蛋。

在这里插入图片描述

还想说一说夫子。夫子是我很喜欢的人物。

夫子是宁缺的老师,其实书中没有太多描写夫子和宁缺的感情,而宁缺和师兄们的相处描写的很多。夫子我觉得就是老子和孔子的化身,宁缺是生而自知的人,这是猫腻很厉害的地方。他让一个生而自知的人拜入夫子门下,学校就叫书院,这是对中国传统文化的致敬。夫子的老牛和棒槌都是历史的沉积,谁拿到手里都是神器。可以说是夫子促成了宁缺和桑桑的婚姻,也是夫子变成了月亮照亮了冷夜,照着宁缺的内心和前路。在这里插入图片描述

最后一首“故长安”作为结尾:

故长安 一把伞 夜将至 神符燃

嘿 只能说声抱歉

忘了时间的你有些茫然

远看在天边 近看在眼前

光阴就在转瞬之间

看开一点 人生依然

嘿 结局我来改变

就算只手遮天 不过一段

不用太执念 不用说抱歉

输赢不过请客吃饭

泪落离散 不如不见

长夜漫漫 别留遗憾

看破这世间 是非恩怨

万语千言 表演

为你铤而走险

故长安 一把伞 夜将至 神符燃

战个天昏地暗 灯火阑珊

看冲破黑暗 绽放火焰

换了天地 人间

策马一路向前

南飞雁 天欲雪 热海畔 醉一碗

穿越刀光剑闪 情依然

穿越刀光剑闪 情依然

看破这世间 是非恩怨

万语千言 表演

为你铤而走险

故长安 一把伞 夜将至 神符燃

战个天昏地暗 灯火阑珊

看冲破黑暗 绽放火焰

换了天地 人间

策马一路向前

南飞雁 天欲雪 热海畔 醉一碗

穿越刀光剑闪 情依然

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。
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