《海边的卡夫卡》--[日]村上春树

《海边的卡夫卡》,作者是:村上春树

下面是我的书摘:

 

 “或许。”大岛愕然说到,“田村卡夫卡君,或许世上几乎所有人都不追求什么自由,不过自以为追求吧了。一切都是幻想。假如真给予自由,人们十有八九不知所措。这点记住好了:人么实际上喜欢不自由。”

 

*

  “把自己融入?”

  “就是说你在森林里的时候你就会浑然成为森林的一部分;你在雨中的时候就彻底成为雨的一部分;你置身于清晨之中就完全是清晨的一部分;你在我面前你就成了我的一部分。简单说就是这样。”

 

*

 “黑猫土罗君估计那家伙有危险,但终究是估计。作为预测未免乐观。万一阴差阳错忽然抛出一个《侏罗纪公园》那样的家伙,我星野君可是如何是好呢?不就呜呼哀哉了?”

 

*

  “不是我有意吓唬你,夜间在高速公路上,这绿色赛车是最难看见的以中国车。一不小心就会非常危险,尤其在隧道里。按理赛车的车身颜色该涂红的,那样容易看见。法拉利大多是红色就因为这个道理。”大岛说。

 

 “《雨月物语》是上田秋成在江户后期写的作品,但背景设定在战国时期。在这个意义上上田秋成是个retrospective或者说是怀古情绪的人。

 两个武士成了朋友,结为兄弟。这对武士来说是非常重要的关系,因为结为兄弟即意味着生死与共,为对方不惜付出性命,这才成为结义兄弟。

   两人住的地方相距遥远,各事其主,一个说菊花开的时候不管发生什么都将前去拜访,另一个说那么我就好好等着你。不料说定去拜访朋友的武士卷入了潘内纠纷,沦为监禁之

    身,不许外出,不许寄信。不就夏天过去,秋意渐深,到了菊花开的时节。照此下去,是不无法履行同朋友的约定,而对武士来说,约定是比什么都重要的事。信义重于生命,

     那个武士剖腹自杀,变成鬼魂跑了一千里赶到朋友家,同朋友在菊花前开怀畅饮,之后从地面上消失,文笔非常优美。“

 

*

《海边的卡夫卡》

你在世界边缘的时候

我在死去的火山口

站在门后边的

是失去文字的话语

睡着时月光照在门后

空中掉下小鱼

窗外的士兵们

把一颗心绷紧

(副歌)

海边椅子上坐着卡夫卡

想着驱动世界的钟摆

当心扉关闭的时候

无处可去的斯芬克斯

把身影化为利剑

刺穿你的梦

溺水少虑的手指

探摸入口的石头

张开蓝色的裙裾

注视海边的卡夫卡

 

*

  ”真个不懂事,你小子!刚才应该说过了的,我是没有实体的。我不过是抽象概念,自己什么也做不来,所有菜特意把你领来这里嘛。为这个不是以优惠价让你干了三家伙!“

 

*

   当然,如果依序详细说来,恐怕要连续说上一个星期。但若只说要点,那边是:十五岁生日到来的时候,我离开家,去远方陌生的城市,在一座校图书馆的角落里求生。

   听起来也许像是童话。然而那不是童话,无论在任何意义上。

 

关于《海边的卡夫卡》中的几个人物:

①中田

正常的中田——

山林集体昏迷事件——和猫对话的能力——杀死食猫者——丧失与猫对话的能力——前往打开入口石之路上得到的星野的帮助——预言的能力——烧掉佐伯的回忆——在星野的帮助下关闭入口石——死亡 (异常的中田)

——正常的中田

②大岛(为什么非在后来被告知为女性?)

1、主要女性角色均与卡夫卡发生性关系,其中一个是梦中。唯有大岛没有。

2、人物的意义是衔接情节和处理矛盾。

3、女性的存在无法使主人公坚强成长,但女性的存在又是必不可少的,所以把大岛定义为生理为女,表象是男?

4、为了发表关于女权主义的看法?

③佐伯

活在回忆中的人,回忆被烧掉后,死亡。代表过去,性关系的意义显而易见。

④星野

为什么要出现星野在搬开入口石之前的性行为?

⑤樱花

被卡夫卡当做姐姐,在梦中发生性关系。可见作者认为,与母亲的性关系和与姐姐的性关系是不同的。与姐姐的性关系带有强奸的意味。暂时意义不明。

⑥卡夫卡的父亲(一说琼尼·沃克)

情况不明。为什么是同一个人?为什么中田要杀掉卡夫卡的父亲?

⑦山德士(肯德基爷爷)

情况不明。为什么要指引星野?与星野的关系是什么?

 

========================================================

More reading,and english is important.

I'm Hongten

hongten

========================================================

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