27、表演转向:艺术与社会的变革之旅

表演转向:艺术与社会的变革之旅

1. 表演转向的兴起

在20世纪90年代和21世纪初,艺术史、戏剧与表演研究、人类学等文化研究领域的学者开始探讨“表演转向”。这一转向意味着文化实践和文化研究从关注物品、文本、文献和手工艺品,转向重视基于时间的口头、仪式和身体表达,以及其他表演性实践和传统。

艺术领域的这一转变始于20世纪60 - 70年代,但其根源可追溯到早期先锋派。早期先锋派致力于将表征转化为在场,将文字转化为行动,将艺术融入生活。例如,未来主义者和达达主义者通过表演使自己成为先锋派,画家和诗人在咖啡馆和未来主义聚会上表演诗歌、展示画作,并以各种方式挑衅观众。丹麦的Emil Bønnelycke在1919年朗诵诗歌《罗莎·卢森堡》时,在报社走廊三次开枪。甚至先锋派的典型体裁宣言,也被认为是一种表演性体裁,既旨在将文字转化为行动,也作为更广泛艺术行动的一部分进行表演。

近期的表演转向也可视为对新媒体和复制技术的回应。不仅在艺术领域,在民族志和考古博物馆等文化机构,以及流行和商业文化中,都出现了向现场和基于时间的形式转变,如重演和再媒介化。主流文化与先锋派艺术的界限在文化产品和艺术作品的再循环中变得模糊,这与体验经济的发展相呼应,新的电子和数字媒体不仅增加了人们对现场体验的兴趣,也影响了艺术家和表演者与观众互动的方式。

表演转向不仅是审美感性和艺术取向的变化,还涉及对社会现实的转向。如同包豪斯、超现实主义者、俄国构成主义者等早期先锋派通过艺术创造新社会一样,20世纪后半叶和21世纪初的表演实践中,社会政治承诺也是一股强大的潮流。朱迪斯·巴特勒的表演性理论在酷儿研究领域引发了巨大影响,进而对性别、性取向政治以及种族和后殖民研究产生了深远作用。

深度学习作为人工智能的关键分支,依托多层神经网络架构对高维数据进行模式识别函数逼近,广泛应用于连续变量预测任务。在Python编程环境中,得益于TensorFlow、PyTorch等框架的成熟生态,研究者能够高效构建面向回归分析的神经网络模型。本资源库聚焦于通过循环神经网络及其优化变体解决时序预测问题,特别针对传统RNN在长程依赖建模中的梯度异常现象,引入具有门控机制的长短期记忆网络(LSTM)以增强序列建模能力。 实践案例涵盖从数据预处理到模型评估的全流程:首先对原始时序数据进行标准化处理滑动窗口分割,随后构建包含嵌入层、双向LSTM层及全连接层的网络结构。在模型训练阶段,采用自适应矩估计优化器配合早停策略,通过损失函数曲线监测过拟合现象。性能评估不仅关注均方根误差等量化指标,还通过预测值真实值的轨迹可视化进行定性分析。 资源包内部分为三个核心模块:其一是经过清洗的金融时序数据集,包含标准化后的股价波动记录;其二是模块化编程实现的模型构建、训练验证流程;其三是基于Matplotlib实现的动态结果展示系统。所有代码均遵循面向对象设计原则,提供完整的类型注解异常处理机制。 该实践项目揭示了深度神经网络在非线性回归任务中的优势:通过多层非线性变换,模型能够捕获数据中的高阶相互作用,而Dropout层正则化技术的运用则保障了泛化能力。值得注意的是,当处理高频时序数据时,需特别注意序列平稳性检验季节性分解等预处理步骤,这对预测精度具有决定性影响。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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