生活

在快节奏生活中寻找慢生活:重建生活质量和意义 第一部分主要介绍了快节奏生活的现状及其影响,以及慢生活的概念和核心思想。通过对比分析,我们能够更好地理解快节奏生活和慢生活的差异,为后续章节的深入探讨打下基础。在接下来的章节中,我们将进一步探讨如何在日常生活中实践慢生活,提升生活质量和个人意义。**作者:**AI天才研究院/AI Genius Institute & 禅与计算机程序设计艺术 /Zen And The Art of Computer Programming。 阅读详情

简单的生活、平淡的生活,这一切并不是我想要的。一切过于简单、一切过于平淡,这么安逸的生活让我感到害怕,当一个人失去了动力,需要找回动力的时候,显得是那么的无奈。在茫茫的道路上,不知道自己的归属,不知道自己的方向时,周围的一切看着是那么的暗淡。。。。。。

每天早上六点起来,做早饭,做午饭(中午需要带饭)

晚上下班还要赶到市场,买晚上吃的菜,以及第二天中午的菜。回家之后放下所有的东西开始忙乎晚餐,然后收拾厨房,收拾屋子,洗洗衣服,忙忙碌碌的就到了八、九点。再做点属于自己的事情,一天就这么过去了。

时间不会为你停留,时间更不会为你倒流,每一分钟都在鸟桥的流过。你为自己的未来准备好了吗?打算好了吗?

感情是建立在物资基础之上的。这句话让我明白很多的道理,让我懂得了作为一个成功男人,要以事业为重。

人生难得糊涂啊~~~

在快节奏生活中寻找慢生活:重建生活质量 慢生活(Slow Living)起源于20世纪80年代的意大利,是一种对抗现代快节奏生活的理念。它主张人们放慢生活节奏,关注内心的感受和生活质量,而不是一味追求速度和效率。慢生活并不仅仅是“慢速”的生活方式,而是一种更深层次的哲学思考和生活态度。平衡与和谐:慢生活强调工作与生活的平衡,追求内心与外界的和谐。它鼓励人们在工作之余,抽出时间进行自我反思,享受生活中的美好瞬间。品质而非数量:慢生活注重生活品质,追求高质量的生活体验。它主张人们不要一味追求物质财富和消费,而是关注内心的满足和幸福感。 阅读详情

相关推荐

Ubuntu中snap简单介绍

通过Snap可以安装众多的软件包。需要注意的是,snap是一种全新的软件包管理方式,它类似一个容器拥有一个应用程序所有的文件和库,各个应用程序之间完全独立。所以使用snap包的好处就是它解决了应用程序之间的依赖问题,使应用程序之间更容易管理。但是由此带来的问题就是它占用更多的磁盘空间 介绍一些常用命令,有点类似docker 1、查看已经通过snap安装的snap包 snap list可以查看 2、可以搜索想要的snap包,例如tomcat snap search tomcat

icanflying的博客 4万+

算法,源于生活,亦用于生活

文章目录前言源于生活贪心算法回溯算法动规算法用于生活无解题就当真无解吗一个工作中常见的无解案例一个生活中常见的无解案例结语 前言 此篇文章不讲述算法与代码之间的关系(即没有算法干货),只是叙述我个人对算法与生活之间的某种联系与感悟,但是在面试时面试官问起自己对于算法的理解时还是有一定帮助。 在这个日新月异的时代里生活,越来越觉得这个世界很多事情是无解的,越来越觉得平衡是最难处理的问题。 源于生活 贪心算法 一个经典的贪心算法生活例子: 假设我们有 1 元、2 元、5 元、10 元、20 元、50 元、100

Rookie 3289

翻倍密码系统主图指标-行情买卖以及持股-翻倍密码买点-获利了结,通达信炒股软件指标公式

华森制药,上图案例走势,低位出现“开始潜伏”信号,进场红色K线持股待涨,进入“翻倍密码买点”,开启紫色K线的持续上涨,目前也达到了翻倍行情,还没出现“获利了结”的出场信号。这套操盘系统,即便出现信号没走出翻倍行情,也都是可以全身而退,获利出局,或者微微止损出场,并不代表每一个波段都能翻倍,但是走翻倍行情,你按照信号参与或持仓是不会错过的。用这个操盘系统操作,你也不需要天天的盘中看盘,不需要担心盘中的震荡,只要趋势不变,哪怕是偶尔出现跌停,也不影响行情的继续上涨,这都是上涨途中的正常调整。

weixin_69760830的博客 3682

生活中的算法的实际举例_生活中的算法

这人不紧不慢,伸出手来说道:“神仙大人,我别的什么也不要,就只要您老刚才点石成金的那根手指头……。”——来自“点石成金”的寓言故事。点石成金的故事,很多人的理解是贪与不贪。如果能换一个角度思考,可以看出人们的观点,对于金子本身来说,更重要的是点石成金的方法。而对于问题解决的方法来说,我们还应当进一步关注产生方法的方法,也就是算法。这是在中、小学教育的信息科技课程中强调生活算法的理由之一。所谓算法,...

weixin_29201313的博客 1万+

台达PLC DIAdesigner-AX 编程实战:从安装到通信配置

本文详细介绍了台达PLC DIAdesigner-AX编程的实战操作,从软件安装、项目创建到通信配置的全流程。重点讲解了TCP/IP通信设置、库文件管理及常见错误处理,帮助工程师快速掌握台达PLC编程技巧,提升工业自动化项目的开发效率。

weixin_29215391的博客 533

忍者安全渗透系统(NINJITSU OS V3)的安装详细过程,亲测新旧vm版本都可安装,附带下载来源

忍者安全渗透系统(NINJITSU)的安装详细过程,亲测新旧vm版本都可安装,附带下载来源

1万+

有规律的生活还是没有规律的生活

     曾经有两个生活流派在我心中斗争。有规律 VS 没有规律。     有规律是一种有约束的生活,每时、每天、每月、每年按照既定的规律前行。但约束往往来自于你的本身,来自于你的经验。     无规律看似是一种自在优雅的生活,其实不然:无规律可以让你为不想做的事找到借口,而且总能找到借口,无规律容易滋养人的坏习惯,而且因为是基于底层的处事原则的,这些坏习惯很难改变。    我们不要

倪森的呓语 1669

Win7没有usb驱动怎么办?Win7没有usb驱动的解决方法

之后发现USB驱动不能够使用,那么碰到这种问题应该怎么办呢?下面就和小编一起来看看有什么解决方法吧。1、我们先使用驱动管理软件进行扫描安装驱动,如果安装后,还不行的话,我们就要进入到控制面板。我们经常会因为各种原因来更新电脑的系统,不过有一些小伙伴在重装完。4、点击usb选项后,找到显示感叹号和问号的usb驱动。2、在控制面板中,点击硬件声音,选择设备管理器。3、进入到设备管理器的页面,找到USB控制选项。6、如果计算机已经联网,我们可以在线更新驱动。5、然后鼠标右键点击更新驱动。

2401_88800025的博客 965

关于生活

主理 | 谢玢编辑 | Dave 董雯雪视觉 | 任染这是 「禾穗HERS女性商学院」的第034篇漫读《关于生活》By: 纳齐姆·希克梅特(土耳其)译:李以亮, Ra...

m0_46204713的博客 327

BGP路由聚合:自动聚合和手动聚合

路由聚合是指将多条具体的路由合并为一条聚合路由,以减少路由表的条目数。这种技术通过只向对等体发送聚合后的路由,而不发送所有的具体路由,来减小路由表的规模。同时,被聚合的路由如果发生路由振荡,也不再对网络造成影响,从而提高了网络的稳定性。

网络技术联盟站 1222

Transformer实战(30)——Transformer注意力机制可视化

在本节中,我们讨论了人工智能面临的最重要问题之一:可解释人工智能 (explainable artificial intelligence, XAI)。随着语言模型的不断发展,可解释性成为一个严峻的问题。本节中,我们从 Transformer 的角度出发,研究了 Transformer 架构中的自注意力机制,尝试通过各种可视化工具理解这些机制的内部过程。

盼小辉丶的博客 2696

生活需要仪式感,让你的生活更加丰富多彩(文末有总结感想)

戳蓝字「小石不识月」关注我们哦今天是周末,我也利用这周的工作之余读完了一本书,所以今天主要给大家分享一篇读后感,书的名字就是我们的文章标题:《生活需要仪式感》。我在读的过...

全栈者 的博客 2098

Python爬虫实战:实时爬取东方财富网股票行情

东方财富网实时行情(价格、涨跌幅、成交量等)K线图、分时图、技术指标市盈率、换手率、总市值等指标相比某些收费API,东方财富网页端接口不需要登录、免费、响应快、封装清晰,适合爬虫实践。东方财富网股票数据接口分析实时数据抓取与字段提取数据结构化处理自动化批量抓取多线程加速采集数据可视化展示支持存储为CSV/Excel/数据库。

2201_76125261的博客 1万+

你是在生活,还是在被生活?

朋友阿强在银行工作十年,每天做着同样的业务,接待不同的客户。心理学中的 “习惯化效应” 表明,长期处于重复的生活模式中,我们的感官会逐渐钝化,对生活的热情也会被消磨殆尽。作家李娟在阿勒泰的草原上生活,她没有被艰苦的环境束缚,而是主动观察、记录生活中的点滴美好,创作出一系列动人的作品。社会比较理论指出,当我们过度在意他人眼光,把别人的期待当作自己的人生目标时,就会失去自我,在别人的剧本里扮演着不快乐的角色。生活充满不确定性,但我们可以选择用积极的心态去应对,在变化中发现新的可能,把生活过成自己想要的样子。

2501_91793721的博客 953

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

生活记住了你或者你记住了生活

一定程度上讲,程序员的生活是乏味的。键盘滴答声里,星辰轮换。公司可能还是原来的那个公司,人却一定不再是原来的人。时光流逝往往带来感悟,突然觉醒时,很多人可能都发现,自己不过是一个无聊的过客。生活没有记住你,你也没有记住生活。在我自己,感悟到这个后,心里颇有点后悔。2003年开始在优快云写东西,那时还没有博客,只有文档中心。到2006年时,兴致突然消失了,就离开了这里,直到2011年。现在想来是应

理想流 6139

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

生活需要仪式感,让你的生活更加丰富多彩

戳蓝字「小石不识月」关注我们哦今天是周末,我也利用这周的工作之余读完了一本书,所以今天主要给大家分享一篇读后感,书的名字就是我们的文章标题:《生活需要仪式感》。我在读的过...

qq_36376434的博客 517

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

好生活

主理 | 谢玢编辑 | Dave 董雯雪视觉 | 任染这是 「禾穗HERS女性商学院」的第029篇漫读好生活By: 特蕾西·K·史密斯(美)译:谢玢大家好,这里是精英...

m0_46204713的博客 320

追求精致生活

精致生活与金钱无关,避免懒惰,加强自律,拜托穷人思维,提升品质,体面生活。我想每个人都期望自己的生活变得越来越美好,没人喜欢脏乱差,但是在追求美好的实物上,我们是否花心思像经营爱情那样经营生活和家庭了呢?精致生活并不是花钱买来的,而是用心经营出来的。在追求精致生活的方向上有一些思维误区和方法,分享给大家,同样也告诫自己。精致生活与财富关系不大。...

心静思远 768

找回自己生活的重心 用这些方法平衡工作与生活

很多人会建议你必须努力平衡工作与生活,成为一个努力工作、努力玩乐的人,并严格控制工作时数,可能一周别工作超过 40 小时等。不过,维持工作与生活完美平衡相当累人,有时在追求平衡的过程中反而耗费太多心力,失去这件事的意义。许多成功的企业家、专业心理学者都发现,这世上没有「完美」平衡,与其汲汲营营维持平衡,不如先问自己以下 5 个问题,对于寻找生活重心更有帮助! 1. 你有按照自己想要的方式消化...

qq_42627053的博客 1063

从生活中来,到生活中去——例谈程学设计中的生活化问题

放羊的故事--引言 1、理论基础 生活预备说:英国著名教育家 斯宾塞提出教育目的是为完满生活做准备。 学编程的目的:科技让生活更美好(网购、外卖) 教育即生活 美国著名教育家杜威认为:最好的教育就是“从经验中学习”、“从生活中学习”。编程教学-从生活中来,到生活中去。 生活教育 生活教育的理论是陶行知教育思想的主线和重要基石,陶行知的教育理论,主要包括生活即教育、社会即学校、教学做合一三个方面。 生活即教育 (1)省会具有教育的意义,具体教育的作用; (2)生活决定了教育,教育不能脱离生

742

生活需要套路

文章来自公众号:胖琪的升级之路一般说到套路,总感觉是一个贬义词,但今天所说的套路是为了给自己减负,或者是帮助提高的一种想法。生活为什么需要套路学习,生活,办事等等,很多时...

程序员入门进阶 531

知识源于生活而高于生活

每每自我反思的时候都会发现自己在学习时总会不自觉的陷入一个误区,其表现形式就是常常有意无意的将学习与生活两者割裂开来,将原本有着千丝万缕的联系的两件事弄得泾渭分明。事实上,在听从米老师教会之后很早前就有了那种将学习与生活紧密联系的意识,但不知何故,每到学习具体的知识时还是不由自主的陷入了固有的思维圈套之中难以自拔,知道听过米老师对于PV操作的经典论述,方才真正明白了生活与知识的联系之所在以及如何联

天下英雄谁敌手?曹刘 2552

计算机改变生活ppt,科技改变生活5G改变生活方式PPT模板

《科技改变生活5G改变生活方式PPT模板》由会员分享,可在线阅读,更多相关《科技改变生活5G改变生活方式PPT模板(26页珍藏版)》请在人人文库网上搜索。1、若素素材 若素素材 5G5G时代时代 developmentdevelopment 科技改变生活 TEMPLATE XXX 若素素材 若素素材 1 5G5G发展背景发展背景 2 5G5G时代的到来时代的到来 3 5G5G改变生活方式改变生活方...

weixin_29185167的博客 545

把生活过成 你想要的样子

日落黄昏,你还在为今日工作的委屈而难过吗?你还在为家庭的琐事而烦恼吗? 人生在世,每一条路,都有它不得不这样跋涉的理由。生活还要继续,好与坏,关键看以什么方式。 有些人,循规蹈矩,日复一日的做着枯燥无味的工作,生活的压力让他们早已失去了曾经追梦的心,工作也好,生活也罢,每天话语中带着烦躁和不耐烦。 有些人,背井离乡,没日没夜的为了生活而努力,做着费力的活,做着不走心的的事,看着陌生人的脸,甚至一天都像流水线上的产品一样,呆滞而空虚。 有些人,养在高楼大厦,吃着佳肴戴着名牌,住着豪宅,耀眼着旁人可望不

baidu_23943767的博客 776

生活到底是什么

一位满脸愁容的生意人来到智慧老人的面前。  “先生,我急需您的帮助。虽然我很富有,但人人都对我横眉冷对。生活真像一场充满尔虞我诈的厮杀。”  “那你就停止厮杀呗。”老人回答他。  生意人对这样的告诫感到无所适从,他带着失望离开了老人。在接下来的几个月里,他情绪变得糟糕透了,与身边每一个人争吵斗殴,由此结下了不少冤家。一年以后,他变得心力交瘁,再也无力与人一争长短了。  “哎,先生,

edison20的专栏 643

生活不像电影,生活比电影难多了

Life isn't like in the movies. Life... is much harder. 生活不像电影,生活比电影难多了。《天堂电影院》   原文载于:爱词霸英语学习网-每日一句

bigheadsheep的专栏 5760
上一篇: 【转】爱一个人,不一定要得到和拥有
下一篇: 【转】命运在于自己的选择
SmallBox00
博客等级 码龄20年 61粉丝 307原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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