惩罚女人的最有效方法!

SP教程:点击链接后下载文件 JSP教程:点击链接后下载文件(右键另存)功能,很试用哦。 立即下载
1、让她穿上最美丽而漂亮、时髦的衣服,然后把她关在一间屋子里,里面没有一面镜子!  

2、在她正在实施减肥计划的时候,送给她许多好吃的她最爱吃的高热量食品!  

3、带她到舞厅去,然后冷落她,拼命找比她更年轻的女孩子跳舞!  

4、买一些糖果哄你邻居的小孩,让小孩跟在她屁股后面大声喊:"奶奶好,奶奶好"。  

5、带她逛大商场,当她最想买某个商品的时候,你突然说:"不好,忘记带钱包了。"  

6、买一些她平时最厌恶吃的食物,并骗她说:"这些食物有很好的美容功效。"    

7、在她面前拼命夸奖你过去的女同学是多么漂亮和聪慧!  

8、在她面前经常唠叨说:"女人剪短发最美丽。"等她偷偷地剪了短发后,你再经常说:"还是长头发的女人更有女人味。"  

9、在她刚跨进家门的时候,你假装刚放下电话,并装出神情慌张的样子,然后她问你有什么事,你就是打死什么也不说  
spank:将页面拍出SPA 静态网站生成器(SSG) 从SPA导出HTML页面 用法 //spank.config.js module . exports = { sitemap : 'path/to/a-list-of-urls.json' , entrypoint : 'dist/__index.html' , script : 'dist/main.js' , outputDir : 'dist' } 打开您的终端并输入 npx spank 笔记 也可以在不进行配置的情况下使用spank。 使用npx spank --help作为参数。 配置选项 Struts 默认 描述 网站地图 .js或.json文件以及相对路径列表。 例如。 ['/', '/about', '/contact'] 入口点 dist/__app.html 用于呈现SPAHTML模板的路径。通常为static/index 立即下载

相关推荐

某文化公司网站

比较有个性的前台界面,后台可以在线发布新闻,案例管理,产品管理,客户的留言管理等. 登录后台:网址/manage/login.asp 管理员账户:admin 密码:admin

【转载】130 个相见恨晚的超实用网站,一次性分享出来

文末没有公众号,只求 点赞 + 关注 搞学习 优快云: https://www.youkuaiyun.com/ TED(最优质的演讲):https://www.ted.com/ 知乎:www.zhihu.com 大学资源网:http://www.dxzy163.com/ 简答题:http://www.jiandati.com/ 网易公开课:https://open.163.com/ted/ 网易云课...

AXYZdong的博客 4354

新手必看:用Simulink搭建飞跨电容三电平逆变器的完整流程(附SPWM配置技巧)

本文详细介绍了使用Simulink搭建飞跨电容三电平逆变器(FCNPC)的完整流程,特别聚焦于SPWM调制策略的配置技巧。通过模块拆解、参数设置和波形优化的三步法,配合实操截图和典型参数表,帮助新手快速掌握多电平逆变器的建模与仿真技能,适用于电力电子学习和项目开发。

weixin_30664051的博客 288

几个比较好的国外网站

http://aspnet.4guysfromrolla.com/ C#http://www.codeproject.com/

459594486随笔 72万+

【Android】汽车电源管理:深入解析CarPowerManager与Suspend To RAM的交互机制

本文深入解析了Android Automotive OS中CarPowerManager与Suspend To RAM(深度睡眠)的交互机制。详细阐述了从车辆发出睡眠请求,到CarPowerManagementService协调应用状态,最终通过内核进入低功耗睡眠的完整流程,并探讨了唤醒机制、开发者实践及功耗优化策略,为车机应用开发与系统优化提供关键指导。

weixin_28339967的博客 293

ESP32蓝牙Mesh与WiFi共存优化实践(深度解析)

本文深度解析了ESP32蓝牙Mesh与WiFi共存的优化实践。针对ESP32单天线资源冲突的“老大难”问题,文章从硬件配置(如启用PSRAM)、协议栈调优(如设置共存模式与电源管理)到实战代码示例,系统性地提供了稳定构建智能家居网关的解决方案,有效提升数据吞吐率与系统稳定性。

weixin_29185167的博客 395

惩罚女人最有效的方法

 1、让她穿上最美丽而漂亮、时髦的衣服,然后把她关在一间屋子里,里面没有一面镜子! 2、在她正在实施减肥计划的时候,送给她许多好吃的她最爱吃的高热量食品!! 3、带她到舞厅去,然后冷落她,拼命找比她更年轻的女孩子跳舞 4、买一些糖果哄你邻居的小孩,让小孩跟在她屁股后面大声喊:“奶奶好,奶奶好“。 5、带她逛大商场,当她最想买某个商品的时候,你突然说:“不好,忘记带钱包了。“ 6、买

苏某人的传奇世界 10万+

活用QueryWrapper与@Select注解,构建MybatisPlus动态多表查询方案

本文深入探讨了如何结合MybatisPlus的QueryWrapper与@Select注解,构建高效灵活的动态多表关联查询方案。通过解析${ew.customSqlSegment}占位符机制,并设计通用的Service层封装,解决了复杂条件下多表查询的SQL拼接难题,显著提升了后台管理系统列表查询的开发效率与可维护性。

weixin_29291069的博客 271

惩罚女人的几种方法[女人勿看!千万千万千万别看!]_过路老熊_新浪博客...

惩罚女人的几种方法 1、让她穿上最美丽而漂亮、时髦的衣服,然后把她关在一间屋子里,里面没有一面镜子! 2、在她正在实施减肥计划的时候,送给她许多好吃的高热量食品! 3、带她到舞厅去,然后冷落她,拼命找比她更年轻的女孩子跳舞。 4、买一些糖果哄你邻居的小孩,让小孩跟在她屁股后面大声喊:"奶奶好,奶奶好"。    5、带她逛大商场,当她最想买某个商品的时候...

wenroudelang8888的博客 3611

AgentScope深入分析-ReActAgent

ReActAgent 是 AgentScope 框架中最核心的智能体实现,它完美诠释了"推理-行动"(Reasoning-Acting)循环的精髓。本文将深入分析 ReActAgent 的类继承关系、核心执行流程,以及状态管理、钩子机制、实时介入等关键技术点。通过阅读本文,你会理解智能体如何与模型交互、如何执行工具、如何处理中断,以及这些机制背后的设计考量。模块化:通过组合不同的组件(模型、格式化器、工具集、记忆)来构建智能体透明性:所有关键流程都对开发者可见,可以精确控制可扩展性。

842

仅使用 Python 创建的 Web 应用程序(前端版本)第03章Streamlit-多页面

接下来,我们将解释多页面切换。Streamlit 没有“多页面”或“页面路由”等功能。另一方面,通过根据用户动作切换要执行的功能,可以使其看起来好像存在“多个页面”。注意:我认为它类似于 SinglePageApplication (SPA)。然而,根据 React、Vue 等中使用的 URL 路径来更改页面的路由很困难。还有一个用于获取查询参数的实验性 API,但如果您确实需要这种功能,我认为认真尝试编写 React 或 Vue 是个好主意。我们来看一个通过按下按钮来切换页面的示例,如下所示。

xianyinsuifeng的博客 1331

2024160读书笔记|《女人的胜利》——他们的婚姻看上去很幸福,他们开始平静下来,像以往一样生活

女人的胜利(余华现实主义代表作)》非常非常非常推荐的一本书。读余华老师的第一本书是《活着》。第二本是《许三观卖血记》,然后是《十八岁出门远行》里的第一个故事。接下来就是这本,因为书名开读的一本书。我很少去追榜单读一本书,这次算是特例!有超多人共读的一本书,书友评论区太精彩了。几乎篇篇名篇,主打一个反转再反转,猜不着结局。有俩个故事不是太懂。有的故事看的很扎心,故事意犹未尽但就那么戛然而止了。而你也清晰的知道,生活并没有从这一刻停歇,还在向前。苦闷的依然苦闷,快乐的总是很少。

qq_40985985的博客 2015

17track单号查询逆向分析

这就说明该网站很有可能存在其它检测点,而检测本地替换最大可能的就是检测了代码格式化或者代码长度。也一样,要么导致网站卡死,要么会导致网页加载异常,这里可能就难到不少人了,让我们一步一步解决。而这个站主要是检测了代码格式化,无限循环检测造成了网站卡死,经多次测试发现检测点共三处。方法中代码很长,但是经调试后发现,它其实只返回一个固定的值,这里直接写死即可。同样的,虽然看起来很长,但是跟过之后就会发现流程很简单,这里主要就是对。追加了一些值,是一条很长的语句,整理代码。,核心流程也很简单,稍微跟一下就出来了,

pyzzd的博客 1625

女人天性!

今天下午,午觉睡醒,乖乖陪我去逛街,虽然去的挺晚,不过还是挺开心挺随意的逛,还有不小的收获,买了好几件衣衣哦,哈哈!女人天生爱逛街哈,逛上一天也不累,花了钱心里还美的跟啥似的!买件当季不能穿的衣服吧,还天天盼着赶快换季,赶快变天!嘿嘿,又想起一个故事里讲的,对女人最严酷最无情的惩罚就是,把她一个人关在屋子里,给她所有最漂亮的衣服,但不给她镜子!!我看这种只对女人起作用的惩罚是够残酷!...

weixin_30340775的博客 128

TC3XX - MCAL知识点(四十二):AURIX™ TC3xx实现多相电机需要多核配合使用的场景与实操分析

本文探讨了多相电机控制系统中的关键技术问题,重点分析了多核处理器在电机控制中的应用。针对十二相电机等复杂应用场景,提出了同步采样、多核协同等解决方案。文章详细阐述了相电流同步采样原理及EBTresos配置方法,分析了ADC硬件触发机制和多核配合策略。通过Core0和Core1的协同工作设计,解决了位置信息采集与FOC算法执行的时序问题,并提供了代码实现示例。实验验证了采用ATOM0_7同时触发两个核ADC中断的可行性,为多相电机控制系统的实现提供了技术参考。

梦想技术家 501

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")

各国女人对付老公出轨的另类招数

<br />本文不是一篇关于各国女人如何对付老公出轨的正式调查报告,只是借这种形式来阐述女人对付男人出轨的一些招数而己。很显然,其中提到的某个国家女人如何如何,并不是说这个国家的女人都是这样处理老公出轨的,只是选取其中有代表性的或者说是典型的做法。这其中的大多数可以说是另类招数,有的能收到成效,而且效果能持久,有的成收效甚微,而且效果维持时间短,甚至有的起到了反作用。<br /> <br />不管怎样说,出轨是世界各国婚姻家庭的公害。女人到底该如何对付老公的出轨?很显然,每个女人因为她的性格特点、职业地位、

dazhi18的专栏 1239

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

《Python机器学习——预测分析核心算法》——1.2 什么是惩罚回归方法

本节书摘来异步社区《Python机器学习——预测分析核心算法》一书中的第1章,第1.2节,作者:【美】Michael Bowles(鲍尔斯),更多章节内容可以访问云栖社区“异步社区”公众号查看。 1.2 什么是惩罚回归方法 惩罚线性回归方法是由普通最小二乘法(ordinary least squares,OLS)衍生出来的。而普通最小二乘法是在大约200...

weixin_34297300的博客 755

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.

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

正则化惩罚

我尽量用通俗一点的话来解答一下楼主的问题,r(d)可以理解为有d的参数进行约束,或者 D 向量有d个维度。咱们将楼主的给的凸优化结构细化一点,别搞得那么抽象,不好解释; , 其中,咱们可以令: f() = .ok,这个先介绍到这里,至于f(x)为什么用多项式的方式去模拟?相信也是很多人的疑问,很简单,大家看看高等数学当中的泰勒展开式就行了,任何函数都可以用多项式的方式去趋近,log x,lnx,...

Arthur_Holmes的博客 1542

踩到鸭子(zt)

三个女人在一场车祸中丧生并且来到了天堂,当她们到了那里后,天使圣彼得说:「在天堂里,我们这里只有一个规矩,就是千万不要踩到鸭子。」 确认这三个女人了解后,她们进入了天堂。但是天堂里到处都是鸭子,鸭...

155

女人一定要打好的三张牌!记得好好打!

自信第一张牌自信的女人最美丽 1、女人活着要有自己的目标 只要你不想做那无根的浮萍,任凭雨打风吹去,你就得有自己的目标。它可以大可以小,可以崇高也可以平凡,不管你的目标是什么,但就是不能没有。 2、可以不做“强人”,但一定要做强者 对于女人来说,不管到了什么时候,什么年龄,都不可以失去自我。不仅在经济上要学

wangxiaoxuan0的博客 357

女人不该让男人太累

不是每个男人都是骑着白马的王子,所以,请不要苛求他不够高大和英俊,不要责怪他送给你的只是一双手套而不是九十九朵玫瑰。宝贝们,要知道,不是王子,你才是他永远的公主,他的爱便是让你变成公主的水晶鞋。不是每个男人都能把爱挂在嘴边,所以,请不要在他回答“爱不爱你”不够干脆时心生怀疑,不要让他把这种回答变成一种无奈的习惯。宝贝们,你要学着体会无言的承诺,请相信,当他静静的看着你微笑时,当他轻轻的抚摩你的头发

XmagicX的专栏 1690

女人最常问的几个问题的标准答案

<!--google_ad_client = "pub-0241434510974184";/* 博客文章广告728x90, */google_ad_slot = "7316585398";google_ad_width = 728;google_ad_height = 90;// -->问题一:你爱我吗? 错误答案A:"爱。" 错误答案B:"这还用问吗?"

MPU的专栏 999

她是什么样子的女人

  是在去年认识她的,是在网络上认识的,认识一个月后我们就见面了,她比我大几岁,是一个学校的老师,第2次见面我们就发生了关系,在以后的一短时间我们处的还不错,我爱上了她,在前几个星期里面,她告诉我,如果你要还是这么不行,那我就不理你了,给你3个月的时间,在这3个月里面我们不停的作爱,没有停过,每天最少2次。   我的薪水不是很高,1200,几乎都花在她身上了。  后来我发现她的电话很多很多。都是男

azhou88的专栏 2131

没见过女人的小和尚——SVDD

是的,即便是出生在山上的小和尚,从来没有下过山,没有见过女人,但是一旦有女施主上山,小和尚依然可以轻松地区分出眼前的人是如此不同。 传统的SVM是寻找一个超平面,而SVDD寻找的超平面更进一步,可以认为它是闭合的超平面。优化目标是曲面面积最小(即半径最小),约束条件是要使得尽可能多的样本被包含在曲面之中,至于到底需要包含多少,那就要涉及到松弛变量。 每个样本都对应一个自己的松弛变量epslon,即对于不同样本的容忍程度可以是不同的,容忍意味着样本可以在一定程度上脱离“包围圈”。最终的优化目标就是R平方的

zcg1942的博客 1398

思念是一种惩罚

                   思念是一种惩罚思念是一种惩罚总叫人提得起放不下我总是为爱挣扎躲过现在未来令人害怕到底自己多爱他反正爱不该是自问自答别人常说我太傻何苦为他解释牵挂想想是否自己缺少勇气大声说出我不爱你女人天生就该被疼被爱永远值得你去等待曾经拥有胜过承诺太多想想是否自己缺少勇气大声说出我不爱你女人天生就该被疼被爱永远值得你去等待被找借口勉强回头我会学着不停留  ...

weixin_43116082的博客 227

男人和女人之间的心理游戏

男人和女人之间的心理游戏  “你觉得我穿这件衣服怎样,看起来肥不肥?”当一个女人这样问你时,你是命中注定“劫数难逃”。不论你说什么,答案都是错的。她心里肯定有了正确的答案。如果你说了个善意的谎言,告诉她“你看来一点也不胖”,她知道你根本是在说谎。此时,一番惩罚自然是在所难免,原因有二:一是因为你撒了谎,二是因为你已经注意到她身材的走型。由此可见,无论

xwj1003的专栏 2813
上一篇: 好男人必看!女生的30条隐私……
下一篇: 看她怎么拒绝你
普通网友
博客等级 码龄22年 1万+粉丝 3156原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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