跟叶子学把妹——教程序猿把妹第四集

该系列是公司内部美女叶子同事的文章,偶觉得写的很好,征得同意后分享给单身的程序员尴尬

 

跟叶子学把妹——教程序猿把妹第一集

跟叶子学把妹——教程序猿把妹第二集

跟叶子学把妹——教程序猿把妹第三集

跟叶子学把妹——教程序猿把妹第四集

 

 

众望所归,把妹第四集精彩出炉,前面叶子给GG们传授了关于形象、交际圈、搭讪等技巧,但是有的GG可能不在这些技巧的适用范围内,比如已经有心仪的对象的GG,或是身边有很多妹纸的GG却不知道如何约妹子出来。那今天叶子就来八一八如何约妹子

 

谈到如何约妹子,叶子就忍不住一定要讲讲一个朋友——人称约会达人、妇女之友的叶子的朋友--佩哥,身为一个80后拖家带两娃的鸭舌帽不离头的怪蜀黍,如何能做到轻轻松松的让一般人很难约到的妹纸们心甘情愿的一次又一次跟他出去吃饭、约会呢,今天我们来探究一下这个大神——佩哥。


 

发前3期的时候,佩哥还抱怨我,说我总是在举我室友的负面事例,是时候拿他的正面事例给大家传播正能量,对于这种主动要求叶子来写他的故事的人,我只想送他四个字“很(ting)有(you)勇(ben)气(shi)”。



 

这世上有两种男人,一种是会约妹纸滴,一种是不会约妹纸滴。佩哥显然属于前者。后者已经逐渐灭绝了。

 

那佩哥是怎么做到的呢,他平时究竟做了什么呢?你们来感受一下: 

 

先来一句佩哥的名言:“约妹纸讲的不光是技巧,还要要看情商够不够高。”说的很够味。


 

1. 有妹纸的地方就有佩哥,(这点他是做到了极致),融入姑娘圈,让姑娘对你产生信赖感,姑娘基本就不排斥你了。

 

妹纸们在哪里,那佩哥肯定也是死皮赖脸呆在哪儿,其实这也是一种本事,佩哥有一个会夸人的甜嘴,还会对妹纸言听计从,完全戳中了妹纸们的软肋,这样的男人走到哪里都会受妹子欢迎(虽然在妹纸心中的形象不是高大威猛,顶多是个知心大哥或蓝颜知己,但是,这又如何呢?和妹纸们在一起才是最重要的不是么?)



 

2. 朋友圈、微博刷的都是各种专业软文分析高大上,竖立专业形象,忽悠不懂事姑娘,姑娘毕当膜拜的五体投地。

曾经,我也是这样膜拜佩哥的高大上,久了我自然就知道佩哥这些行为只是泡妞的一个小手段,不过这个对其他妹纸还是很受用的哦!



 

3. 约会不叫约会,只是去遛个弯,走,晚上去吃烤串,公司附近,还省钱;你看有些人动不动晚上约妹纸去吃饭,还挑大老远的地儿,如果妹纸跟你熟你也许会成功,但是一般的妹纸肯定是拒绝,那如果是佩哥,他会怎么做呢?

 

叶子年轻的时候也被人约过,但一般邀约地点都是要坐车到半个北京城外的地方,叶子其实也没什么太多想法,就是觉得也不熟,吃个饭没必要去太远,所以就十动然拒了。

但是每次佩哥约我,我都会答应,为什么呢?因为佩哥只会带我去近的地方吃东西(烤鸡翅、撸个串),虽然不是什么好东西,但是叶子觉得吃的踏实,吃得放心,到熟悉的地方吃饭,充满了安全感;


 

4. 成立妹纸群(群内基本为8090后),让妹纸争风吃醋只为他;作为一个极品IT蜀黍,我只能说佩哥情商真是高的可以,这种极其容易引发腥风血雨的后宫内斗群也就只有他敢挑战;(佩哥你是不是在独自偷笑呢?)
 

 

5. 陪妹纸逛街,佩哥首先会评价妹纸的日常穿着打扮,谁说男人最讨厌的事情是陪女人逛街?但是,佩哥在这一点上,完全是反人类,比女人还能逛,而且毫无怨言,拎包评价专业户超级细心体贴各种各种。。。
 

 

6. 熟悉妹纸,泡妞不是一件简单事,不光是要懂妹纸,更是要融入到妹纸的内心,看佩哥在女人堆里呆久了,不光是内在细腻懂女人,外在更是接近女人有木有?


所以我常常对我身边的单身哥哥们说,你们要像佩佩学习。虽然他已婚,虽然他有2个娃,但他依然能够妹纸成群,哥哥们,这不就是你们想要的生活么?不要虚伪的说“NO”我会代表佩佩鄙视你的。
 

 
这一期我都想改名字了,小叶子跟着佩哥学习约妹纸技巧,虽说有点偏题,但是小伙伴们可以通过分析佩哥,对比自己,来举一反三,或许你们可以做的比他更好哦~

 

不知道正在看文章的佩哥看得是不是特别有成就感(PS:如果他个人同意,下期我就爆出佩哥求爱图,届时请广大程序猿哥哥要鼎力支持啊~~ 潜伏在阿里的佩哥同意否?)假如这篇文章在京东火不了,我觉得它在阿里也能火吧~

 

最后,奉上一张“佩哥那些年追过的妹纸”让大家膜拜一下吧!



 

编者语:佩佩,你在阿里可好?是否还是妻妾成群呢?零零后妹纸团组建好了么?你看完文章以后可不要冲到北京来找我,冤有头债有主,出门右拐是政府,谢谢不送!

 

 

本文本来的名字是:《如何代表公司惩罚跳槽的员工》但是因为行业规范,我们不便明说,请大家转发时默默备注,谢谢~

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