遇到下一个你——我会不会是打磨完毕的成品

作者通过对比自己与他人相遇前后的变化,探讨了成长过程中个人性格、习惯的转变,以及相遇时双方已成熟的特质。文章反思了成长的孤独与相遇的遗憾,强调了各自经历的不同旅程。
原文源自口袋书屋/谢吉日志

你认识我的时候,我已经是待嫁的年龄,你没有见过我和男生成群结队去爬树的样子;
我认识你的时候,你已经蓄了很久的长发,我没有见过你剪成一层一层的短发,在食堂让大家目瞪口呆的样子;
你认识我的时候,我已经可以照顾自己,心情不好就做家务,手洗各种衣服,你不知道从前的我不会洗袜子,从没拖过地。
我认识你的时候,你知道替别人着想,习惯倾听,从不打断别人的说话;我没有经历过你独断专横,不听任何人解释,我行我素的岁月。

你认识我的时候,我脾气收敛,从不大声骂人,你不会知道原来的我生气时摔东西,撕纸条泄愤。
我认识你的时候,你理性、友好、克制、习惯微笑,我没有见过你情绪崩溃,哭到喘不过气,甚至没有见过你撒娇的样子。
你认识我的时候,我已经养成了良好的饮食习惯和运动习惯,你不知道从前的我喜欢吃油炸食品,不爱跑步,晚上十点半可以吃掉半盆排骨,把自己喂到100多斤。
我认识你的时候,你已经会画简单的妆,知道什么季节穿黑丝袜,什么季节穿打底裤。我无法想像上中学的你,早晨只刷牙不洗脸不梳头还能在学校转一整天。
你认识我的时候,我已经知道怎么和陌生人打交道,怎么在酒桌上全身而退,你没有见过我说话脸红,被一瓶啤酒醉倒睡一晚的时候。
你认识我的时候,我已经是这个样子,是一个符合或者不符合你想像的成品,你再也无法参与我的成长,不能看到我从不懂事到懂事,从不温柔到温柔。
所以,你认识的、喜欢的终究只是半个我。你不能理解我各种奇怪的忌讳,不能明白我对一首老歌,一种场景发呆,无法理解我地坚持、放弃、隐忍、等待。
同样,我认识你的时候,

你认识我的时候,我请客吃饭从不心疼,那些花钱拮据、攒钱吃大餐的日子你不是和我一起。你认识我的时候,我知道不同的花代表不同的花语,而那个伴我成长教会我这些的女生不是你。

我们半路相遇,都是成品,那些打磨过我们的人都随着时光走远了。 我是应该唏嘘还是应该感谢,别人教会你这些,陪着你长大,然后你们分开,再转到我的身边。
我是应该庆幸吧,看到的你已经是稳重大方,彬彬有礼,知道对女生该说什么话,如何讨人喜欢。可是我多么想有一个和我一起成长,和我一起年少轻狂,少不更事,从青涩到成熟都是同一个人,成长的痕迹在对方眼中就能看到。
二十多年的岁月中有十几年是和他相伴,然后一起让小时候的梦想一步步都成为现实。
遗憾的是(遗憾的是),所有旅伴都是暂时的。
我终于还是自己长大了,跟着不同的队伍。
最后还是一个人,孤独的长大了
最后还是一个人,孤独的长大了

转载于:https://my.oschina.net/u/861770/blog/123867

请作为资深开发工程师,解释我给出的代码。请逐行分析我的代码并给出你对这段代码的理解。 我给出的代码是: 【import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_digits from sklearn.model_selection import train_test_split, learning_curve from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score # 加载手写数字数据集 digits = load_digits() X, y = digits.data, digits.target # 划分训练集与测试集 (75% 训练, 25% 测试) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=123) # 绘制学习曲线功能模块 def plot_learning_curve(estimator, title, X, y, ylim=None, cv=10): plt.figure(figsize=(8, 6)) plt.title(title) plt.xlabel("Training Examples") plt.ylabel("Score") # 调用 scikit-learn 提供的学习曲线计算 API train_sizes, train_scores, val_scores = learning_curve( estimator, X, y, cv=cv, scoring='accuracy', n_jobs=-1, train_sizes=np.linspace(0.1, 1.0, 10), shuffle=True, random_state=123) # 求平均准确率得分用于绘图展示 train_scores_mean = np.mean(train_scores, axis=1) val_scores_mean = np.mean(val_scores, axis=1) # 网格背景及折线绘制 plt.grid() plt.plot(train_sizes, train_scores_mean, 'o-', color="r", label="Training Accuracy") plt.plot(train_sizes, val_scores_mean, 'o-', color="g", label="Cross-validation Accuracy") plt.legend(loc="best") return plt if __name__ == "__main__": model = GaussianNB() plot_learning_curve(model, "Learning Curve of Gaussian Naive Bayes on Digits Dataset", X_train, y_train, cv=10).show()】
03-18
评论
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