富贵不压重发_为什么老人常说“贵人不顶重发”,“重发”是什么意思?

原标题:为什么老人常说“贵人不顶重发”,“重发”是什么意思?

老人常说“贵人不顶重发”,又有成语叫“聪明绝顶”,似乎头发越稀少,越光溜,人才能越聪明,越富贵。真的是这样吗?

先来看看古代的发型。

汉朝发型:

汉朝文人喜欢戴头巾,羽扇纶巾,十分潇洒。

唐朝发型:

头上戴的叫作襆头,干净利落,非常精神。

宋朝发型:

宋朝发型基本上与唐朝类似,只是当时流行簪花,多了几分风流。

清朝发型:

清朝发型是金钱鼠尾,前面光秃秃的,后面一根细细的辫子,就像老鼠尾巴,真的要有多丑有多丑,显得粗鄙无礼,痞气十足,难怪会遭到汉人抵制。

“身体发肤受之父母”,在古代,头可断,发不可断。清朝入关以后,“留头不留发,留发不留头”剃发令一出,立即遭到无数汉人誓死抵制。

如此看来,贵人不顶重发,不适用于清朝,因为清朝人头发都剃的光光的,只留下后面细细的辫子,“重发”根本无从谈起。

为何有贵人不顶重发之说呢?说法有二。

其一,清朝以前,古人一生从不剪头,从出生直到死亡,头发会长的很长很长,如此会给工作生活带来诸多不便,所以古人习惯将头发盘起来,挽成发髻,发髻上再戴个帽子盖住。

头发总是要洗的,现代人基本上两天洗一次,有勤快的一天洗一次,懒的一周洗一次。可是,古代不像现在,没有洗发水,没有杀虫剂,头发会出脑油,还会生虱子。

达官显贵倒还好,他们身居高位,生活优渥,比较重视仪容仪表。他们家中丫鬟婢女多,洗头洗脚换衣服都有专人服侍,自己只需伸伸头伸伸胳膊就可以了。所以他们头发一般柔顺清爽,显的很“轻”。

但穷人就没这么讲究了。他们能填饱肚子就很不错了,根本没心思打理头发,所以头发乱七八糟,像草垛一样,显得很“重”,学过鲁迅《孔乙己》的人,应该对这个场景有些印象:

孔乙己醉醺醺地走在大街上,看到王胡坐在墙根,光着膀子在那捉虱子呢,孔乙己忽然觉得身上也痒起来了,于是也脱下破夹袄捉虱子,但是翻捡了许多次,只捉了个三四只。只见,王胡却是一个又一个,两个又五个的,只放在嘴里毕毕剥剥的响。孔乙己新生嫉妒,凭什么你的虱子多。

古代一两个月不洗头,定会生很多虱子,头发变得又油又厚,又臭又重,具体什么样,看看犀利哥就知道了。

第二种说法,指的是聪明之人,头发较少。

有个成语叫作聪明绝顶,似乎脑力劳动付出越多,头发越稀缺。看看那些高校教授,个个都是光秃秃油光光的大脑门,很少能见到头发浓密的。

有人开玩笑说,知识和头发呈反比的,知识越多,头发越少;知识越少,头发越多。当然这是玩笑了,不过似乎不无道理。

贵人之所以成为贵人,定会付出超出常人的脑力劳动,花费超出常人的心思,为了成为人上之人,挖空心思,勾心斗角,尔虞我诈,思虑过重容易脱发,久而久之,就成秃头了。返回搜狐,查看更多

责任编辑:

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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