豆腐故事

记得上大学那会儿,有一次兴起,就去上了一节英语系的口语课。去的时候,恰好有一位女同学不在,她是我的老乡,我是对她有点好感的,我是一个明镜样的人,内心的这一点,似乎被该班的同学有所窥测,他们只是笑笑,可我的心里却起了波澜。正有情意泛起的时候,外教进来了。她每人发一张小卡片,上有信息,要求我们分组对话。他似乎认出我不是英语系的学生,就把我和一位姓张的女老师分到了一组。张姓老师名小琴,是我的外国文学老师,和我也熟的。她那时也许在考博士吧,所以也来学点英语。我本想在老师面前有所表现的,因为我的英语成绩在高中的时候,还是不错的。可是就有一个单词“tufu”挡住了我,我不知道它为何物。于是在对话中就显得结结巴巴的,不过老师提携的好,我还是完成了任务。事后,我不知道问了张老师,还是外教,才知道它就是“豆腐”。以后我想了北京、香港的英文拼法,似乎明白了一点了什么。
       从这里我知道了我们中国人的发明在国外还是很出名的,比如这豆腐,我们都视之为稀松平常,其实也不简单啊!小时候,我们吃东西很少的,只有过年过节才可以吃饱吃好的。豆腐就是其中一件。每年过年的时候,家里都要做豆腐,,先提前在石磨上磨出黄豆瓣,放着。有时候,就用这黄豆瓣,烧汤喝,我的一个姓马的干妈就喜欢喝,每次走的时候,都给装点。她是宁县人,丈夫是县剧团看大门的吧。每年都给我们准备了压岁钱,我和弟弟就去给他磕两个头,实际上,我们那时的着眼点恐怕在钱上吧。
      有了黄豆瓣,就等了年前,快过年的时候,父亲母亲就会一个人担着一担水,一个人背着几升豆瓣,拿着脸盆、撮子、笤帚去到一个烂塌窑里去。包产到户后,什么都分了,唯有石磨在。而石磨所在的窑洞由于无人看管,就会裂缝跌出,成为烂塌窑。
      去了,由父亲掀磨,母亲转着圈子给石磨添豆瓣和水,于是白白的,像牛奶一样的水就会从石磨的一端流出来,流到预先接好的桶里。在生产队的那会儿,由于有驴,所以就不用掀磨,因为那时就是用驴力来带动石磨的,如今是各家各户,只能靠人力。当然这样的过了不到五六年,也许七八年吧,就出现了钢磨,但用机器磨豆腐的时候,似乎离我们并不远,就好象昨天的事儿。
       磨回来的白色的浆,只是做豆腐的原料,离豆腐的产生还很远,如果说,黄豆和豆瓣是初级原料的话。这时候先要有一个纱布包,没有现成的,就要马上缝一个。缝好了包,就把白色的浆倒在里面挤,此之谓“过滤”。也有用箩过滤的。
      过滤好,就开始烧火,我们那时的燃料不是蒿子,就是麦甲。烧到一定火候,就开始搅。搅到一定时间,就要加卤水。我们这里大多数用的是明矾。
     也许由于技术不过关,或者放明矾的时机不对,有时就见做出来的豆腐很老,粒粒撒撒,不怎么适口。那时我们可不管这,已经是急得喉咙手上来了,已经在土炕的木栏杆上爬了半夜了,吊着清鼻,红肿着眼,唾液一分泌很久了,哪管这三七二十一,跳下抗,捞起碗,喊着,让母亲给自己先舀一碗混合着豆腐块、豆腐花和豆腐水的东西,就狼吞虎咽地连豆腐带水风卷残云般消受殆尽。一般都得两碗,才肯罢休。
      而父母则忙着压豆腐,这应该是做豆腐的最后一道工序了。把豆腐块和豆腐花舀到衬有纱布的筛子里,上面再裹上纱布,放上木板、石头,压。到了第二天,就压成了豆腐块。切成小块,一部分送亲戚朋友和邻家,一部分自己过年食用。
      豆腐是个家常菜,不管做什么食品,放点豆腐,味道很好的。我们这里常用它来包包子,做大烩菜等。盛传“有肉不吃豆腐”。听说范进当年母亲去世了,人们说他悲痛得都不吃肉了。于是有下级官员给它做饭的时候,就在表面裹以豆腐,以免范老爷伤心。不过,人们最终发现,他还是吃了大虾丸子,是去除豆腐吃的。可见豆腐终究是平民菜。
       近来全国豆腐大涨价,合水尤甚,一斤涨到两元五角。宁县,一说西峰一生意人贩运该地豆腐来合水,一斤才一元六或一元五,深受居民欢迎,可是却遭到一些不法分子的追打。为防不测,该人一般在早晨我们上班之际,天还未大亮之际,偷偷地在南街卖。据说,买豆腐的排成了长龙,可见大家还是囊中羞涩的多,不仅是为了贪便宜。天亮之后,他们只有在南边的卖了。
      由豆腐衍生出的言语很丰富,如果有人说你“豆腐”,绝不是什么好话;还有歇后语“小葱拌豆腐——一青(清)二白”等,组成了丰富多彩的豆腐文化。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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