Roc.EDU.阅读《挪威的森林》

一、选择书目

村上春树,以前读过他的《没有色彩的多崎作和他的寻年之礼》,当把书一拿到手上就被深深的吸引住了,他的文字是那样的有力,那样的吸引人。

他和他的作品带给我们思想的特异空间,而轻描淡写的日常生活片断唤起的生活气氛令我们有所共鸣。更重要的是他以六十年代的背景道出九十年代,乃至所有时代的年轻人的心声。读过他的作品的人会发现,往往书中的背景都是六十年代,但是我们读起来的时候却与自己生活的时代有着无尽的瞎想。

二、主要内容

1、年轻的迷惑与无奈

“挪威的森林”本是披头四的歌曲,书中主角直子每听此曲必觉得自己一个孤零零地迷失在又寒又冻的森林深处,这正是年轻必经的旁徨、恐惧、摸索、迷惑的表徵。男主角渡边多次想拯救在自我迷失中的直子,但有时甚至他也迷失了方向。生活在都市中的年轻一代,在都市空间愈狭小与人的疏离愈人的对比中,令他们失去与人接触的欲望,恰是年轻一代避免受伤的保护罩。正如《挪威的森林》的渡边,因他怕失望,他不想勉强去交朋友,在他的世界中,朋友始终只有那几个。 
2、年轻的反叛,大胆与率真 
      年青的好处是可原谅的率真、大胆、肆无忌惮地把内心所爱、所要、所憎、所恨的不扣修饰宣诸于口。书中大胆的情欲描写并不是一般日木小说中常见的卖弄涩情,而是发白内心的自然流露,如高山流水,流到洼处,一泻而成瀑布,浑然天成。书中主角身处动荡不安的时代,学潮罢课接二连三发生,但他们漠不关心,反而对爱情的追求炽热无比。渡边之于直子,明知直子心系死去的木月,偏偏不舍追随左右:阿绿之于渡边,虽知渡边心有所属,也求守候身旁。对爱情的希望与失望在书中煎熬□主角,亦在现实生活中煎熬□年轻的一群。爱情是发自内心,身不由己,没有时代之分,那管它是不是动荡的年代和应不应该恋爱。在九十年代的香港,“学生应不应该谈恋爱”已成老话,现在讨论的已是“学生应怎样谈感爱”,本书肯定的提出:不要滥交,滥交只会□蚀了青春。 
3、年轻的奇异的哲思 
       书中的人物,身驱动作是随俗的,而心思念头则显得空灵,说话的方式特别,常常可抽离出来而成格言,如“只有不完整的记忆和不完整的思念,才能装进一种称作小说的不完整容器里”,“我们一边把死当作微尘般吸入肺里,一边活下去”,“世界处处是驴子粪” 
4、成长的可爱的谬思 
        成长的世界充满责任和不愉。村上春树笔下的主角们都是年轻的他们不愿意长大,认为长人是不可思议的,长大是在完全没有准备下,被死拉硬挤出来的。主角甚至羡慕已死的人的永远青春。这是一部年轻的小说,成长历程年轻阶段的热情坦率,直抵人性根蒂:成长的苦闷、无奈、恐惧、好奇,令人感动共鸣。正如作者说“有些人会喜欢这部小说,有些人不喜欢”,但我们肯定热爱生命、对生命敏感的人一定喜欢:年轻的和曾经不想成长而已成长的人不会错过。 小说的几个要素似乎已经定格,凄清、阴郁的气氛、死亡、掺杂的爱情。

三、全书理解

阅读《挪威的森林》被在其中的强调一种强烈的被摇撼的东西所共鸣。所有的美好的东西总能够引起别人的共鸣,这种共鸣能够轻易的穿越肤色、种族、文化、宗教等的障碍,直达内心,在脑际隆隆作响,乃至能够让你热泪盈眶,能够通过一种自以为是相对完美的语言的,道出你的感动。

时间: 2025-01-20 04:07:54

Roc.EDU.阅读《挪威的森林》的相关文章

ROC和AUC介绍以及如何计算AUC

ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣,对两者的简单介绍见这里.这篇博文简单介绍ROC和AUC的特点,以及更为深入地,讨论如何作出ROC曲线图以及计算AUC. ROC曲线 需要提前说明的是,我们这里只讨论二值分类器.对于分类器,或者说分类算法,评价指标主要有precision,recall,F-score1,以及我们今天要讨论的ROC和AUC.下图是一个ROC曲线的示例2. 正

【转】ROC和AUC介绍以及如何计算AUC

转自:https://www.douban.com/note/284051363/ ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣,对两者的简单介绍见[这里](http://bubblexc.com/y2011/148/).这篇博文简单介绍ROC和AUC的特点,以及更为深入地,讨论如何作出ROC曲线图以及计算AUC. # ROC曲线需要提前说明的是,我们这里只讨论二值分类器.对于分类器

ROC和AUC介绍以及如何计算AUC ---好!!!!

from:https://www.douban.com/note/284051363/?type=like 原帖发表在我的博客:http://alexkong.net/2013/06/introduction-to-auc-and-roc/ ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣,对两者的简单介绍见[这里](http://bubblexc.com/y2011/148/).这篇博

精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么?

作者:竹间智能 Emotibot链接:https://www.zhihu.com/question/30643044/answer/161955532来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非商业转载请注明出处. 精确率(Precision)是指在所有系统判定的“真”的样本中,确实是真的的占比,就是TP/(TP+FP). 召回率(Recall)是指在所有确实为真的样本中,被判为的“真”的占比,就是TP/(TP+FN). FPR(False Positive Rate),又被称为“

ROC曲线是通过样本点分类概率画出的 例如某一个sample预测为1概率为0.6 预测为0概率0.4这样画出来,此外如果曲线不是特别平滑的话,那么很可能存在过拟合的情况

ROC和AUC介绍以及如何计算AUC from:http://alexkong.net/2013/06/introduction-to-auc-and-roc/ ROC(Receiver Operating Characteristic)曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣,对两者的简单介绍见这里.这篇博文简单介绍ROC和AUC的特点,以及更为深入地,讨论如何作出ROC曲线图以及计算AUC. ROC曲线 需要提前说明的是,我们这里只讨论二值分类器.对

阅读目标

<1984> <时间简史> <怪才的荒诞与忧伤> <A Long Way Gone by Ishmael Beah> <雷蒙·斯尼奇的不幸历险> <A Wrinkle in Time by Madeleine L'Engle> <爱丽丝·门罗短篇小说选> <爱丽丝漫游奇境> <总统班底> <安吉拉的灰烬> <Are You There, God? It's me, Margaret

R语言ROC曲线下的面积 - 评估逻辑回归中的歧视

原文链接:http://tecdat.cn/?p=6310 在讨论ROC曲线之前,首先让我们在逻辑回归的背景下考虑校准和区分之间的区别. 良好的校准是不够的 对于模型协变量的给定值,我们可以获得预测的概率.如果观察到的风险与预测的风险(概率)相匹配,则称该模型已被很好地校准.也就是说,如果我们要分配一组值的大量观察结果,这些观察结果的比例应该接近20%.如果观察到的比例是80%,我们可能会同意该模型表现不佳 - 这低估了这些观察的风险. 我们是否应满足于使用模型,只要它经过良好校准?不幸的是.为

一文让你彻底理解准确率,精准率,召回率,真正率,假正率,ROC/AUC

参考资料:https://zhuanlan.zhihu.com/p/46714763 ROC/AUC作为机器学习的评估指标非常重要,也是面试中经常出现的问题(80%都会问到).其实,理解它并不是非常难,但是好多朋友都遇到了一个相同的问题,那就是:每次看书的时候都很明白,但回过头就忘了,经常容易将概念弄混.还有的朋友面试之前背下来了,但是一紧张大脑一片空白全忘了,导致回答的很差. 我在之前的面试过程中也遇到过类似的问题,我的面试经验是:一般笔试题遇到选择题基本都会考这个率,那个率,或者给一个场景让

微信小程序(5)--阅读器

最近用微信小程序写了一个图书阅读器,可以实现左右滑动翻页,按钮翻页,上下滚动,切换背景,控制字体大小.以及记住设置好的状态,如页面再次进来保留上次的背景色和字体大小. 由于暂时没有真实的数据接口,所以我用了静态数据. <!-- 文本 --> <view class="container" style="background:{{bodyColor}}"> <!-- 中间层,点击,头部底部显示 --> <view class=