怪哉翻译软件测试,东方朔传·怪哉原文与翻译

东方朔传·怪哉原文与翻译

原文:

《太平广记》卷四七三引《东方朔传》

汉武帝幸⑦甘泉,驰道中有虫,赤色,头牙齿耳鼻尽具,观者莫识①。帝乃使东方朔视之,还对②曰:“此虫名怪哉。昔时拘系⑧无辜,众庶⑨愁怨,咸③仰首叹曰:‘怪哉怪哉!’盖感动上天,愤所生也,故名怪哉。此地必秦之狱处。”即按⑩地图,信④如其言。上又曰:“何以去⑤虫?”朔曰:“凡忧者,得酒而解,以⑥酒灌之当消。”于是使人取虫置酒中,须臾糜散。

注释:

①“识”认识,知道  驰道:中国历史上最早的“国道”,始于秦朝。  ②“对”就是回答的意思。   ③“咸”全、都。   ④“信”果然,确实、的确的意思。   ⑤“去”去除。   ⑥“以”使用,用。

⑦“幸”临幸。   ⑧“拘系”拘押,关押。   ⑨“庶”庶民,百姓。   ⑩“按”查看。

翻译:

汉武帝来到甘泉,路上遇到一种虫子,红色,头、眼、牙齿、耳、鼻一应俱全,围观的人都不知道这是什么虫子。汉武帝让东方朔来看看。东方朔(看完)回答说:“这个虫子的名字叫怪哉。以前很多无辜的百姓遭到关押,大家怨声载道,都仰天长叹‘怪哉,怪哉’,于是感动了上天,造出这种虫子,叫‘怪哉’。这个地方(以前)一定是秦国的监狱”。(汉武帝派人)查看地图,果然如东方朔所说(是秦国的监狱)。汉武帝又问:“怎么能够消除这些虫子呢?”东方朔说:“所有忧愁,都可以以酒来解决。用酒浇着小虫子,必然就消失了”。于是(汉武帝)派人把小虫子放到酒里,一会小虫子就化为粉末,消失了。

逐句对译:

汉武帝幸甘泉,   汉武帝临幸甘泉宫

驰道中有虫,赤色, 国道中有一种虫,是红色的

头牙齿耳鼻尽具,  头、牙齿、耳朵、鼻子都有

观者莫识。     观看的人都不认识。

帝乃使东方朔视之, 汉武帝就让东方朔去看(这种虫)

还对曰:      (东方朔)回来说

“此虫名怪哉。   这种虫子名叫怪哉

昔时拘系无辜,   过去抓捕的无辜百姓

众庶愁怨,     大家忧愁怨恨

咸仰首叹曰:    都抬头长叹说

怪哉怪哉!     稀奇啊、稀奇啊

盖感动上天,    于是感动了上天

愤所生也,     激愤于人间这种行为,造出这种虫子

故名怪哉。     所以名叫怪哉

此地必秦之狱处。” 这个地方一定是秦朝时候的监狱

即按地图,     (汉武帝便派人)查看地图

信如其言。     果然像他说的那样

上又曰:      皇帝又说

“何以去虫?”   用什么消除这些虫子呢

朔曰:       东方朔说

“凡忧者,     凡是忧愁

得酒而解,     得到酒就可以释怀

以酒灌之当消。”  用酒浇这些虫子应当消除

于是使人取虫置酒中 于是让人取虫子放到酒中

须臾糜散。     一会儿就消散了

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