《活着》余华——有庆的死亡

这篇博客记录了作者在阅读过程中对书中角色有庆死亡的强烈情感反应,描述了有庆的命运如何触动人心,以及对书中父亲福贵的反应和书中社会现象的反思。文章探讨了底层人民面对不公时的无力感,引发了对生存意义的深入思考。
摘要由CSDN通过智能技术生成

你曾经有没有为书中角色的死亡感到过不值?气愤?伤心?这是一篇因有庆死亡而有的感想,仅以此篇记录。

读之前就知道该书有很高的评价,正如一句打动我的书评所言:“人活着是为了什么,本书可让人树立生命意义的人生观”,本来想着这种热推书不可能有这么大的能量,不过是人云亦云。

但是,

他真的有。

写下此刻的感想,是因为昨晚看书看到忘记时间,看到痛苦,看到气愤。你有没有看过到“一个献血的孩子被医生抽干血致死”的视频,忘记了是电视剧还是新闻,但是我是相信这事曾发生过的。

有庆:那个在娘胎里就饱受父亲毒打过的男孩,不曾享受过一天荣华富贵的日子,那么爱他的羊为它不辞辛苦的稚气,但我更多地是遐想过他“惊人”的跑步天赋的未来,每日50公里的脚程,让他拥有了“无心栽柳柳成荫”的跑步天赋,我不由自主地将他当成一个活生生的人(不太清楚该书是否虚构),想想着他的运动生涯是如何的灿烂。

但可能是想想的太美好,不曾心里预想过会有悲惨结局,在猝不及防下读到他被抽血致死时,失声痛哭。也觉得作者对他的父亲“福贵”的作法与反应描写有些轻,作为旁观者我都气愤不已,觉得只有杀了那个没良心的医生,才能罢休。

一个曾经生死与共的战友春生,不足以抵消有庆的惨死,福贵的表现让人很不理解,只因为县长是春生,他就放弃了,他竟没有为父则刚的本质。还有那些可恶的凶手-“医生”,想起妈妈曾讲小时候患病住院时,那些医生不等麻醉来就生生取骨髓的事情,让一个小孩活活疼死了,那是第一次对医生的印象。呵呵,是“救人命”的医生。

也在试图理解作者的用意,若是作者写的没错,那么是什么缘故导致福贵的做法啦?

个人浅思如下:”福贵“被抓壮丁时表现的胆小,是不是表明此人很懦弱,并没有为父则刚的本质,但若是家珍肯定不是如此(我很敬佩她),但县长、福贵、家珍等所有有庆的亲人,为什么连凶手都未曾有丁点的追究?是因为底层人员的无能为力?还是底层人员受磨难后逆来顺受的态度啦?---反思,深刻反思,我们是否也变成了这样的人?

活着啊,真难,但是“活下去,怎么活下去?”,这是不是就是来世间走一遭的目的。有的人一辈子未曾想清楚,有的人还一直在追寻答案。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
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