[原创]几代人儿时和水有关的回忆

[原创]几代人儿时和水有关的回忆[@more@]近60岁的老孙,小时家住常州。他的回忆:
“七八岁的时候,我和几个小伙伴去运河边的沟渠里游泳。那时候不光运河水是清的,运河边的沟渠水也是清清的。在水渠里游泳的时候,水里有很多鱼,这些鱼也不怎么怕人,就挤着人游。我们游完了爬上岸,在树下休息,忽然看到渠里有一个很大很大的黑东西。那个黑东西比成年人还长,还大,像个特别大的黑影子,虽然是夏天中午,看到了也很吓人。几个小孩以为是妖怪,吓得跑多远!回想起来,那肯定是运河里的一条大鱼,不知怎么游到渠里来了。真大!!”

近50岁的我大舅,住在皖南。有一年过年,我们站在外婆家门口,眺望着远处的山,听着近处的水声,他回忆:
“我们小时候,门口这条河很深,有很多鱼。烧饭的时候,把锅里水烧上,从炉灶里面扒一脸盆灰,捧到河边芦苇荡里面,一搅,里面鱼全昏头了,在水里面掏摸,就能摸到几条鱼。用脸盆捧回去,杀好洗好,水烧开了刚好做鱼汤。”
“原来真有‘浑水摸鱼’啊。”我听了喃喃。

40多岁的老陆,小时候家住屯溪。
“小时候下河游泳,如果身上有溃疡、结痂的地方,就会有很多那种很小的小鱼过来啄那个地方。一点都不疼,痒痒的。上岸的时候,你就发现那个地方的烂肉都被啄干净了,伤口很清爽,很快就好了。”

近30岁的我家猪,住在南京。有一天我们走过珍珠河,正是夏天,几个老头在河边灰蒙蒙的公园里打麻将,河水飘出阵阵异味,河边水泥砌的岸上,有几株半死不活的垂柳。河水是死灰色,不流动。真奇怪它还没被政府改造成又一条阴沟。
我家猪说:“小时候,我在珍珠河里摸过鱼虾,那时候水是清的。”

听起来,他们的回忆都像不切实际的传说。

我也经历过这样的传说。

我大舅提到的这条河,它的名字叫水扬江。听名字你就知道,它真的曾经是一条大河!!
我小时候一直在河里游泳,但是水很浅,有小鱼,不多。大概是我三四年级的时候,村里人发现棉铃净,一种农药,只需要一点点就可以毒死很多鱼。有人把鱼毒死了,全村去捡,过节一样。接下来的一整个月,河里一股腐臭味。再后来,就没有那么多鱼了。打击是毁灭性的。
我知道皖南很多河都被这样改变了。
也还有人用电瓶电鱼,用炸药炸鱼。工具越来越多,鱼越来越少。
现在,上游有一个造纸厂。村里不再抽取河水做自来水,改用山泉了。当然,和城里比,这还是很奢侈。不是每一个地方都有山泉水可以用的。
冬天我回去,看到河水浅而婉转,水里长着灰绿的水藻,静得可怕,静得没有生气。

也许将来我有一个孩子,我带他到很遥远很遥远的地方去旅游,他看到一条河,会很惊讶地对我说:
“河水怎么是清的!这里的小孩怎么在河里游泳!”

我很想知道,我们有没有力量,阻止这些变化。如果不能,我们住再好的房子又怎样,有更好的车又怎样。
我们在奔往物质的路上急急忙忙,不在乎河里流淌着病毒和肮脏,或许有一天,除去无比丰盛的钢筋水泥和塑料,我们一无所有。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/9078678/viewspace-909346/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/9078678/viewspace-909346/

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