妻妾成群——大红灯笼高照下的女性命运

 张艺谋的大红灯笼高高挂,改编自苏童的妻妾成群。

大红灯笼高高挂。
点灯捶脚,是陈家太太们最企盼和享受的事情。因为这是陈老爷下榻的象征。
哪院点灯,哪院太太说的话就被当人话,吩咐样样照办,想怎样就能怎样。想吃素就是菠菜豆腐嫩豆芽,想吃荤的就可以随意加个荷叶粉蒸肉。如果想,还能把创个新规矩,把饭菜拿到房里吃。
只是,这些享受并没有太长的时效,仅仅限于第二天。
当然,如果太太们有了,就又另当别论。那样的话,大红灯笼可以不分白天黑夜的,点成长明灯,曹嫂也时刻待命,随时捶脚。

开始,大红灯笼是在颂莲嫁给陈老爷做四太太那夜点起。哦,不。应该是说,我们是在颂莲嫁给陈老爷做四太太那天夜里,知道这个老规矩的。
四院里,高挂起十六盏大红灯笼;屋里,也只是由大红的灯笼来点亮一切,包括,颂莲的婚床。
床上方的那盏大吊灯,彻夜不熄;敏感传情的足部,在如京剧鼓点的敲击中绷紧伸缩。这一切给大红灯笼的刮起,蒙上了情色的意味。

接着,知道了所谓的“听招呼”,即点灯——站在院门口等代表老爷过夜的大红灯笼,等它被放在哪位太太跟前。
钩心斗角,由此展开。
颂莲和三太太,完全把斗争摆到台面上——饭桌。关于荤素的争论,引带出“哪院点灯,哪院点菜”的老规矩。两人你来我往,针锋相对,互摆脸色。
二太太,则“菩萨脸蝎子心”,在颂莲面前挤兑三太太,做出一副好姐妹的样子,背地里却给颂莲的丫鬟做小布人,下咒。终于,被颂莲借剪头发,剪伤了耳朵。
二太太和三太太,也是连生孩子都斗得精疲力尽。
大太太此时,只是一个主母的样子,明察一切,无可奈何。
可以说,急切盼望点灯的,是除了大太太之外的三个姨太太们。因此似乎可以说,点灯,是姨太太们地位暂时升高的必要条件。
点灯捶脚,此时更似一种地位而非情色的象征。

这个象征,在颂莲假装怀孕的情形下,更体现得淋漓尽致。
此刻的颂莲,简直要风的风,要雨得雨。
点灯捶脚,根本不用去期待,随时伺候;想吃什么,想怎么吃,听命;连老爷的陪伴,都不再是主要,而是一种附带品。
地位,达到顶峰。
正因如此,在得知颂莲是假怀孕(二太太示的意)之后,四院被封灯。大红的灯笼,通通套上黑色的布袋。四院的人气从此就像无法点灯的黑夜一样,暗无天日。

由此,二太太获得了胜利,重新得宠。
终于在二十岁生日那天,颂莲喝醉,喊出:你有老爷疼你,梅珊去找她那个相好高医生去了,我有什么,我什么都没有!
在无意透露三太太偷情之外,又把感情带回到起先的情欲之上。

终于,情事败露的三太太,被勒死在死人屋——所谓死过“上代的家眷,吊死的,都是女人”的地方。
颂莲,也因为目睹这些之后,在陈老爷“你什么都没看见,你疯了!”的折磨和惊吓中,疯了。

颂莲夏天过门,在秋天为争宠假装怀孕,在冬天事发败露封灯,发疯。

没有下一个的春天。
略过。
又到了夏天,五太太过门。在大红灯笼的映照下,问为她捶脚的曹嫂,颂莲是什么人。
——噢,以前的四太太,脑子有毛病了。

在这个没有春天,禁锢了女性自由,逼迫她们相互争斗的山西大院里,那位掌握她们生杀大权的主人,老爷陈佐千,始终没有正面对镜头,更没有过特写。总是模糊的侧脸,要不被纱帐遮着,要不是背影,或者只闻其声,甚至通过被人来传达。
看似一群女人在旋转,是则都是生存在他的阴影之下。他已经完全上升为一种符号,代表着千百年来对女性的压迫。

三从四德,在地位和情欲这最基本的人权上深深禁锢着古往今来的女人。封建礼教,逼迫女人们丧失自我不明就里地为了男人而自相残杀。
更可悲的是甚至颂莲的丫鬟雁儿,也在房里偷偷点起灯笼,沉醉于想象捶脚的感觉。
对于更多的女性来讲,可以那般自相残杀,还是一件很只得向往的事情。

深深挖掘着民族的劣根。

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