即使最平凡的人,也有不妥协的一面

最近,国产电影《无名之辈》在朋友圈持续刷屏,不仅获得豆瓣8.4的高分,也在微博上得到韩寒、陈坤等人力荐。韩寒甚至评价说:这部电影是今年国产电影前三,演员们值得至少一个影帝和一个影后,票房值得拿五亿以上,十亿都不过分。

 

 

虽然剧本存在一些瑕疵,但主演们精湛的演技已经深深打动观众,目前票房已突破7亿。

 

看完电影之后,我理解了它刷屏的原因,也对“平凡”有了新的理解:即使最平凡的人,也有不妥协的一面。接受平凡,是很多人一生的必修课。

 

 

1

我们很多人

一生都在与平凡为敌

 

 

这部影片中的每一个角色,都是我们身边最接地气的平凡人物:

 

不甘心在工地当保安、立志当协警的马先勇;

因为哥哥酒驾而高位截瘫、生无可恋的马嘉旗;

想要出人头地、干大事的悍匪胡广生(眼镜);

为爱奋斗、渴望得到意中人的悍匪李海根(大头);

即使无奈,也要做自己追悼会主角的地产商高明;

……

 

其中贯穿电影主线的是保安马先勇。马先勇之前有过做协警的机会,但他参加了几次公务员考试都没通过,后来还因为酒驾失去了妻子,让妹妹高位截瘫,但他偏偏不认命,一心想当协警。

 

他一直拖欠着女儿上高中的学费,在小卖部买东西时需要记账,还会顺走店家的鸡蛋……但他仍然尽他所能保护身边的人。

 

他想为妹妹马嘉旗买一套有电梯的房子,他在女儿马依依遇到枪击时挺身而出,为了不让更多人受到枪支的伤害,他宁愿牺牲性命也要找回枪支。这一切,无非是不甘心只当一个保安。

 

网易云音乐上,朴树的《平凡之路》下,有一条高赞评论:

 

研究生差4分落榜北大,从一周前出成绩的那天到现在依旧缓不过来,今天坐上飞机飞往兰州旅游散心,听到这歌情绪实在绷不住了大哭一场。落榜让我知道原来我真的不是天选之人,曾经我觉得北大离我那么近,现在发现原来是那么远。不管未来如何,我还是要走自己的平凡之路。再见,北大。

 

其实,天选之人,真的没那么多,也不是每个人,都能改变世界。很多人不仅不能接受自己的平凡,更多时候,也不能接受孩子的平凡。

 

自媒体人刘娜曾分享过她和儿子之间的故事。从儿子上小学开始,母子俩的战争就开始了。她不允许自己有个“书写脏乱、作文平淡、做事散漫、成绩一般”的儿子,于是想了很多办法对其进行改造,翻阅教育书籍,拜访心理老师,求教同龄妈妈,但结果收效甚微。

 

直到她发现自己的儿子虽然学习并不出类拔萃,但是拥有很多优秀品质时,她终于开始接受儿子的平凡,开始接纳这种不完美。

 

不管任何环境下,二八定律永远适用:优秀的人只占了20%,大部分人都是那普普通通的80%。正如陈道明在一个节目中所说:世界上没那么多主角,大部分人一辈子可能要甘于寂寞,或甘于平庸。

 

 

2

接受平凡

却不接受平凡的溃败

 

 

《无名之辈》中的几个主角,看似平凡,其实不凡。他们都有自己的追求,都在为此付出努力。哪怕有些努力在外人看来不值一提,甚至显得笨拙而愚蠢。

 

比如抢劫了一堆模型机的两个悍匪,努力寻死的马嘉旗,为了追查枪支下落不惜出入洗浴房的马先勇。但他们至少做出了自己的选择,并没有轻易放弃。

 

所谓成长,就是一个不断追求卓越,但最终发现并接受「自己很平凡」的过程。听起来似乎有点沮丧,但这却是我们大部分人成长过程中必须经历的。

 

知乎上有个提问:接受自己平庸的那一刻,是什么情境?

 

网友@杨小彻说:我们已经不能再去后悔小时候没好好念书了,我们也没有时间去感怀那个天资聪颖的自己了,几十年很快便走完,一辈子里面,真正能够影响一生的选择也就那么几个,换一个角度来看,在当下能够接受平庸的自己,继而重新洗牌,实在是太美妙了。

 

这让我想起了自己的一个小学同学。作为当年我们身边的学霸,考上了省内唯一一所985后,被调剂到一个不喜欢的专业。她说大学4年对她最大的改变,就是让她从心态上接受了自己,始终是一个再平凡不过的人。

 

毕业后,她做了一个培训机构的英语老师,过着平凡舒适的生活。有一次她母亲和我母亲聊天时无奈地叹息:这么好的学历,为什么偏偏做了一个普通的英语老师?

 

在她母亲眼中,做一个培训机构的英语老师,太大材小用了,她本应该有金光闪闪的工作。但其实,她从小就对英语感兴趣,也很享受当老师的快乐,能够从事自己喜欢的工作,被我们不少同龄人所羡慕。谁说做个普通的英语老师,就注定只能度过平凡的一生?

 

赵雷有一首歌叫《阿刁》,里面有一句歌词我很喜欢:甘于平凡,却不甘平凡地溃败。

 

我们大多数人都很平凡,但平凡不代表平庸。一个人成熟的标志之一,就是看清了生活的真相后勇于接受自己的平凡。

 

 

3

即使最平凡的人

也有他自己的战争

 

 

电影《被嫌弃的松子的一生》里,松子说过一句话,记忆犹新:“小时候,谁都觉得自己的未来闪闪发光,不是吗?但是一旦长大,没有一件事会随自己心愿。”这话用来形容《无名之辈》里的两个悍匪,再贴切不过。

 

章宇饰演的悍匪“眼镜”,从小地方来到大城市,一心想“做大做强”,干点大事让别人记住,但又没胆抢劫银行,只好抢劫银行旁边的手机店。无奈抢劫的时候太慌张,抢了一堆模型机,一分钱不值不说,还上了当地新闻,被称为“年度最蠢劫匪”。当他看到自己抢劫的过程被网友做成鬼畜视频时,他感觉尊严扫地,恨不得去手机店杀了店员。

 

潘斌龙饰演的二号悍匪“大头”,对自己的心上人霞妹一片痴心,想和她回乡下过安稳日子,但对方嫌弃她没钱。他为了赚快钱,最终和好兄弟“眼镜”走上了抢劫道路。因为情急,他竟然把摩托开到了树上……

 

看似荒诞的背后,更多是平凡生活里的挣扎和无奈,让人揪心也让人动容。即使最平凡的人,也有他不妥协的一面。

 

电影宣传期间,宣传方为我们身边的“无名之辈”制作的海报也在微博上刷屏了。就像海报所展示的那般,即使身处最平凡的岗位,也有他们自己的坚持。每一个无名之辈,都有自己的姓名,都值得被铭记。

 

▲ 凌晨在街头打扫的保洁人员

 

路遥在《平凡的世界》中说:也许人生仅有那么一两个辉煌的瞬间——甚至一生都可能在平淡无奇中度过……不过,细想过来,每个人的生活同样也是一个世界。即使最平凡的人,也要为他那个世界的存在而战斗。这个意义上说,在这些平凡的世界里,也没有一天是平静的。

 

网上一直流传着这样一句话:“最怕你一生碌碌无为,还安慰自己平凡可贵”。我们当然不歌颂无意义的平凡。我们说的接受平凡,是在自己的能力范围之内,尽最大努力,让自己不留遗憾之后,我们的另一种选择。

 

歌手毛不易,在成名之前,也和无数普通年轻人一样,做着并不喜欢的工作,过着一成不变的生活,认为自己就是平凡的大多数。他在《像我这样的人》中唱到:像我这样不甘平凡的人,世界上有多少人……曾引起很多人共鸣。

 

事实上,也许我们用尽全力 ,也只是过上了平凡的一生。但是,做自己适合的,做能让自己快乐的,这一生只要平凡快乐,谁说这样没有意义呢?

 

愿每一个接受了自己最真实样子的平凡人,最终都能和世界、和自己,握手言和

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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。
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