-
中文名
- 柏拉图式爱情 外文名
- Plato's love
-
别 称
- 柏拉图式恋爱 同义词
- 苏格拉底式爱情 提出者
- 马西里奥·斐齐诺
墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
9.3k累计阅读
9.4k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年,写一次发全网
我也要 →
码龄10年
Pharos(小白路标)
Afternoon Tea
当前文章被以下社区和专栏收录:
软件项目管理期末复习(看这一篇就够了)
软件项目管理考试复习 🔶🔶🔶🔶🔶加了🔶的是考点 第一章软件项目管理概述 1.1.1项目及其特征 项目定义:🔶 项目就是为了创造一个唯一的产品或提供一个唯一的服务而进行的临时性的努力; 是以一套独特而互相联系的任务为前提,有效地利用资源,在一段时间内满足一系列特定目标的多项相关工作的总称。 日常运作和项目的区别: 项目是一次性的,而日常运作是重复进行的。 项目是以目标为导向的,日常运作是通过效率和有效性体现的。 项目是通过项目经理及其团队工作完成的,日常运作是职能式的线性管理。 项目存在大量的变更管理,
柏拉图式恋爱
柏拉图式恋爱,也称为经济基础决定上层建筑!:“一个男人爱一个女人不是有与她做爱(这可以是很多的女人)的欲求而是有与她共眠(这只能是一个女人)的欲求。”爱情有一天,柏拉图问他的老师什么是爱情,他的老师就叫他先到麦田里,摘一棵全麦田里最大最金黄的的麦穗。期间只能摘一次,并且只可以向前走,不能回头。柏拉图于是照着老师的说话做。结果,他两手空空的走出麦田。老师问他为什么摘不到,他说:“因为只能摘一次,又不...
Verilog单周期CPU设计(超详细)
实验 单周期CPU一、设计目的与目标实验内容实验要求二、课程设计器材硬件平台软件平台三、 CPU逻辑设计总体方案指令模块MIPS指令格式指令处理流程数据通路总体结构图设计流程逻辑图四、模块详细设计PCAdd4PCINSTMEMDATAMEMSHIFTER32_L2SHIFTER_COMBINATIONMUX4X32MUX2X5EXT16T32MUX2X32CONUNITREGFILEALUSing...
柏拉图式爱情
柏拉图式恋爱,也称为柏拉图式爱情,是以西方哲学家柏拉图命名的一种精神恋爱,但并非由柏拉图直接提出的。最早是由马西里奥·斐齐诺于15世纪提出,作为苏格拉底式爱情的同义词,用来指代苏格拉底和他的学生之间的爱慕关系。 哲学家的爱情与情感生活一般是不美满幸福,不少哲学家甚至于是情愿单身。 爱情是一种很美好的感觉,是生活中的精神支柱, 是浪漫温馨的温柔,甜蜜快乐的幸福。 哲学界对爱情的定义是理性的,所
STM32F407硬件SPI驱动ADS1220避坑指南:从寄存器读不到数据到采样值异常的完整解决流程
本文详细解析了STM32F407硬件SPI驱动ADS1220的常见问题与解决方案,包括SPI配置、寄存器读取异常、采样值优化等关键环节。通过CubeMX配置技巧和Keil调试经验,帮助开发者快速排查从通信失败到数据异常的各种问题,实现高精度数据采集系统的稳定运行。
量子密钥分发系统的设计与实现(二):光路子系统初步讨论
本文主要对量子密钥分发系统中的光路子系统方案进行了讨论。
今天才知道什么是柏拉图式的爱情
有一天,柏拉图问苏格拉底:什麽是爱情? 苏格拉底说:我请你穿越这片稻田,去摘一株最大最金黄的麦穗回来,但是有个规则:你不能走回头路,而且你只能摘一次。 於是柏拉图去做了。许久之后,他却空著双手回来了。 苏格拉底问他怎麽空手回来了? 柏拉图说道:当我走在田间的时候,曾看到过几株特别大特别灿烂的麦穗,可是,我总想著前面也许会有更大更好的,於是就没有摘;但是,我继续走的时候,看到的麦穗
实战指南:轻松破解DataDome滑块验证码的关键步骤
本文详细介绍了破解DataDome滑块验证码的关键步骤,包括理解其工作原理、准备工作、参数获取与配置、完整破解流程及API调用。通过使用Capsolver服务和模拟真实用户行为,帮助开发者有效绕过这一反机器人机制,同时强调了法律与道德考量。
柏拉图的爱情
有一天,柏拉图问老师苏格拉底什么是爱情?老师就让他先到到麦田里去,摘一棵全麦田里最大最金黄的麦穗来,期间只能摘一次,并且只可向前走,不能回头。 柏拉图于是按照老师说的去做了。结果他两手空空的走出了田地。老师问他为什么摘不到? 他说:因为只能摘一次,又不能走回头路,期间即使见到最大最金黄的,因为不知前面是否有更好的,所以没有摘;走到前面时,又发决总不及之前见到的好,原来最
多后端系统统一聚合与智能分流:用 Multi Origin Composition 与 Routing 打造一套可扩展的 SAP Gateway 架构
本文针对企业级SAP集成场景,详细介绍了如何利用SAP Gateway的MOC(多源组合)和Routing功能实现多后端系统的智能路由与数据聚合。通过系统别名配置、用户角色绑定和主机名分流等机制,可实现按用户、按域名的精确路由。文章还提供了配置清单、性能优化建议和常见问题解决方案,帮助工程师落地多后端OData服务的最佳实践。
AI 赋能 DBA:如何用 DeepSeek 等大模型简化数据库管理工作
数据库管理员(DBA)的工作涉及 SQL 优化、故障排查、性能监控等复杂任务。而 DeepSeek、ChatGPT 等大模型可以大幅减少重复劳动,提高 DBA 的工作效率。:某电商平台的订单查询 SQL 执行缓慢(平均 5s),DBA 需要优化。:DBA 需要监控 MySQL 的慢查询,但不想手动写脚本。:某金融系统频繁出现数据库死锁,DBA 需要快速定位原因。:大模型可分析 SQL 执行计划,推荐索引优化方案。:用日常语言查询数据库,无需写复杂 SQL。:一键生成监控、备份、数据迁移脚本。
柏拉图式的爱情
柏拉图式的爱情 只是站在爱人的身边; 静静的付出,默默的守候; 不奢望走近,也不祈求拥有; 即便知道根本不会有结果, 却仍然执迷不悔,也就是这种不求回报的原因, 注定了它悲剧的结局; 最后 也只能是一条在远处守候的平行线; 只留下回忆中,美好的片段, 当作永恒!! 有一天,柏拉图问他的老师什么是爱情,他的老师就叫他先到麦田里, 摘一棵全麦田里最大最金黄的的麦穗。期间只能摘一次
2025华为od面试手撕代码【求字符串表达式结果】
2025华为od面试手撕代码【求字符串表达式结果】
柏拉图如是说
在這世上有, 且僅有一個人, 對你(妳)而言, 她(他)是完美的, 而且僅對你(妳)而言是完美的。也就是說, 任何一個人, 都有其完美的對象, 而且只有一個。 什麼是 柏拉圖式的愛情? 它可以有以下的意義:1. 理想式的愛情觀 (比喻極為浪漫或根本無法實現的愛情觀)2. 純精神的而非肉體的愛情3. 男女平等的愛情觀4. 在這世上有, 且僅有一個人, 對你(妳)而言, 她(他)是
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');```[](https://bitdeli.com/free "Bitdeli Badge")
汉书HE8,好用的汇编代码编写工具
汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大
午夜思想
可能是白天睡的太多了,所以刚刚怎么也睡不着。于是又爬起来,打开电脑。很久没有过来看自己的博客,因为电脑有时候提示我网页错误,我打不开。今天又试了下居然进来了。明天上午只有一节高英课,不怕。刚刚在床上在想一个问题,现在的爱情,我是说现在在校园里的爱情还有没有特别纯洁的?就是那种很单纯很单纯的,与SEX无关的,比如说象小学初中高中那时候的感情一样,牵牵手或者是单单一起走走就很开心能笑一晚上的。现在的韩
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
异地恋
[分享] [异地恋普遍规律]爱情败给了距离(此为转帖,如有雷同,那就是真的...)距离产生美,是原于没有了对方的不习惯,一旦习惯了这种不习惯,距离就产生它本质的作用。久了,心会累,爱会冷。虽然有人会坚持但也有人会放弃。这只是爱的一个过程。从热情的思念,到平淡的话语,再到现在的无话可说,其实也不是完全没话可说只是不知该讲些什么相互的牵挂相信彼此都全知晓,剩下的工作中,生活上鸡毛蒜皮的事说了又有什么用
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。
科普:柏拉图式爱情最初指的是男男同性的爱情
柏拉图认为,这种高尚而珍贵的爱情只适用于同性之间,尤其是成年男子与美少年之间的爱情。这种爱情观与当时的希腊风气有关,希腊学者认为同性之间的爱情才是真正属于天堂的爱情,而异性婚姻制度只是为了社会建构而存在。在雅典,同性爱情受到法律最大限度的保护和支持,甚至被认为是控制无节制生育的一种方法,因此同性恋是当时雅典的骄傲之一。然而,现代社会对柏拉图式爱情的理解已经片面化了,将其简单地理解为精神恋爱,忽略了其最初的含义和背景。柏拉图式爱情最初是指男男同性之间的爱情,其中最崇高的爱是精神之爱,能够使人的灵魂得到提升。
感悟柏拉图爱情
有一天,柏拉图问苏格拉底:什麽是爱情? 苏格拉底说:我请你穿越这片稻田,去摘一株最大最金黄的麦穗回来,但是有个规则:你不能走回头路,而且你只能摘一次。 於是柏拉图去做了。许久之后,他却空著双手回来了。 苏格拉底问他怎麽空手回来了? 柏拉图说道:当我走在田间的时候,曾看到过几株特别大特别灿烂的麦穗,可是,我总想著前面也许会有更大更好的,於是就没有摘;但是,我继续走的时候,看到的麦穗,总觉得还不如先
柏拉图爱情观新解
柏拉图爱情观新解http://www.bjpu.edu.cn/department/jisheng/6-bltaqxj.htm人总是在渴望爱情,古今中外、男女老少。但是不同的时代、不同的地域和不同的个人,爱情的内容和形式有很大不同。原始人的爱情大概不需要写情书,因为那时还没有文字;十九世纪的人也不知道可以通过煲电话粥来卿卿我我、海誓山盟;直到二十世纪后期,人们才知道上网也可以传情达意。
柏拉图式爱情是同性之爱,绘画是理念世界的二次模仿
理念世界是真实的存在,永恒不变,而人类感官所知的现实世界,只不过是理念世界的模糊影子,甚至只是对理念的很不准确的模仿。理想国的治国者是德高望重的哲学家,只有哲学家才能认识理念,具有完美的德行和高超的智慧,明了正义之所在,按理性的指引去公正地治理国家。洞穴寓言,囚犯看到的是世界的表象,洞穴外面的太阳才是真理。绘画是对现象世界的模仿,现象世界又是对理念世界的模仿,所以,绘画是理念世界的二次模仿。人的本性中,人性强于兽性,精神交流是美好的,是道德的。柏拉图认为,我们看到的世界不是真实的,而是理念世界的投影。
柏拉图名言
一切背离了公正的知识都应叫做狡诈,而不应称为智慧。 —— 柏拉图 尊重人不应该胜于尊重真理。 —— 柏拉图 初期教育应是一种娱乐,这样才更容易发现一个人天生的爱好。 —— 柏拉图 应当学会把心灵的美看得比形体的美更可珍贵,如果遇见一个美的心灵,纵然他在形体上不甚美观,也应该对他起爱慕,凭他来孕育最适宜于使青年人得益的道理。 —— ...
941

被折叠的 条评论
为什么被折叠?



