【读万卷书】《挪威的森林》

2024-02-28 18:48
文章标签 森林 挪威 读万卷书

本文主要是介绍【读万卷书】《挪威的森林》,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

最近这一周在看《挪威的森林》看到了第五章,今天就简单总结一下我的感受。

挪威的森林每一张的连贯性不大,差不多就一章一件事,也不是什么大事,(除了木月之死),但是第二章木月之死似乎也被村上春树写的过于平常与“窸窣”了 !

 

第一章   永远记得我

37岁在波音七四七的机舱里回忆起了18年前,下飞机后那种会议更加强烈了。在回忆的长河里他寻找着直子,寻找着和侄子一起走过的草原。

然而,现在率先浮现在他的脑海里的,却是那一片草原风光。草香、挟着些微寒意的风、山的线、狗吠声,率先浮现的正是这些,清清楚楚地。也因为实在太清楚了,让人觉得仿佛只要一伸手,便能用手指将它们一一描绘出来。至于直子他能想到的,就是一幕不见人影的背景而已。

 

他想起和直子一边在草原上散步一边聊那口听起来有点骇人听闻的“枯井”,直子似乎有点不同寻常,突然停下来,要渡边答应她一件事“永远不要忘记我”。

 

这段记忆太远,似乎使得作者记忆模糊,但是唯有那句“我希望你永远记得我,永远记得我这个人。”让他无法望去。

 

第一章结尾:想到这,我就觉得非常难过,因为直子从来不曾爱过我。

 

第二章   好友之死

 

第二章便是木月之死。木月是直子青梅竹马的男朋友,同时也是渡边的好朋友,于是这一章就围绕着他们三个的友谊而展开。

 

木月是一个很活泼,很能说,和别人聊天总能让人很舒服,很新奇的人,这一点和渡边是恰恰相反的。

 

第二章有70%的内容都在写渡边的寄宿学校生活,以及室友“敢死队”,后面因为偶然遇到直子,才开始着手木月直子以及渡边的三人约会,直到一个风和日丽的午后,和木月打完台球,木月死在了家中的车库里,是自杀,没有遗书也想不出他死亡的动机。

 

第二章结尾:

我就这样一面感受那空气的凝块,一面度过我十八岁那年的春天。但同时,我也努力不让自己变得深刻。我渐渐能意会到,深刻并不等于接近事实。不过,左思右想,死仍旧是一种深刻的事实。我便在这几乎令人窒息的矛盾中,来回地兜着圈子。如今回想起来,那真是一段奇妙的日子。在生的正中央,一切事物都以死为中心,不停地旋转着。

 

第三章   黑夜中的直子

 

在第三章,由于渡边的“特立独行”,他结识了一位朋友-永泽。这一章大概有60%写渡边和永泽的友谊,剩下的40%叙述了,和直子聊天过生日的过程。

 

在这一章,我其实看着看着就不太想看了,因为有些地方并不适合我看,但是看完这一章其实我是有一些失望的,因为《挪威的森林》这本书,于我而言是一本神圣的书,因为它是大学生最值得读的100本书之一。但是看完第二章我有些怀疑了。不过没关系,这仍然挡不住我读下去的想法。

 

第四章  奇特的邂逅

 

这一章只要写了,渡边和绿子的相遇相知。

绿子也算是一个“特立独行”的人了,自己和姐姐两个人经营了一家“惨淡”的书店,但是绿子很乐观,渡边和绿子成为了好朋友。

 

在渡边到绿子家做客的时候,他们畅谈了一整天,但大多是关于绿子的,第四章的描写已经把绿子这个人很形象的描绘出来了,但是从始至终我都不知道渡边是个怎样的人,因为他介绍他自己实在少。

 

其实看完这一章我有点怀疑渡边是个渣男了,抱着这个心态我会继续看下去。

 

 

这篇关于【读万卷书】《挪威的森林》的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/756310

相关文章

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

【异常点检测 孤立森林算法】10分钟带你了解下孤立森林算法

孤立森林(isolation Forest)算法,2008年由刘飞、周志华等提出,算法不借助类似距离、密度等指标去描述样本与其他样本的差异,而是直接去刻画所谓的疏离程度(isolation),因此该算法简单、高效,在工业界应用较多。 用一个例子来说明孤立森林的思想:假设现在有一组一维数据(如下图),我们要对这组数据进行切分,目的是把点A和 B单独切分出来,先在最大,值和最小值之间随机选择一个值

数据结构基础详解(C语言): 二叉树的遍历_线索二叉树_树的存储结构_树与森林详解

本文逻辑: 本文由二叉树的遍历起手,讲解了二叉树的三种遍历方式,以及如何构造一颗二叉树,并在此基础上,扩展了更好的二叉树-线索二叉树。树和森林的存储结构讲解中,重点就是将树与森林转换为二叉树,这样二叉树的手段就能使用到树与森林当中。最后,讲解了二叉树与森林的遍历。 文章目录 1.二叉树的遍历1.1 二叉树的前,中,后序遍历1.2 二叉树的层次遍历1.3构造二叉树 2.线索二叉树2.1

随机森林的知识博客:原理与应用

随机森林(Random Forest)是一种基于决策树的集成学习算法,它通过组合多棵决策树的预测结果来提升模型的准确性和稳健性。随机森林具有强大的分类和回归能力,广泛应用于各种机器学习任务。本文将详细介绍随机森林的原理、构建方法及其在实际中的应用。 1. 随机森林的原理 1.1 集成学习(Ensemble Learning) 在机器学习中,集成学习是一种通过结合多个模型的结果来提高预测性能的

【机器学习】梯度提升和随机森林的概念、两者在python中的实例以及梯度提升和随机森林的区别

引言 梯度提升(Gradient Boosting)是一种强大的机器学习技术,它通过迭代地训练决策树来最小化损失函数,以提高模型的预测性能 随机森林(Random Forest)是一种基于树的集成学习算法,它通过组合多个决策树来提高预测的准确性和稳定性 文章目录 引言一、梯度提升1.1 基本原理1.1.1 初始化模型1.1.2 迭代优化1.1.3 梯度计算1.1.4模型更新 1.2

mllib之随机森林与梯度提升树

随机森林和GBTs都是集成学习算法,它们通过集成多棵决策树来实现强分类器。 集成学习方法就是基于其他的机器学习算法,并把它们有效的组合起来的一种机器学习算法。组合产生的算法相比其中任何一种算法模型更强大、准确。 随机森林和梯度提升树(GBTs)。两者之间主要差别在于每棵树训练的顺序。 随机森林通过对数据随机采样来单独训练每一棵树。这种随机性也使得模型相对于单决策树更健壮,且不易在

机器学习项目——基于机器学习(决策树 随机森林 朴素贝叶斯 SVM KNN XGBoost)的帕金森脑电特征识别研究(代码/报告材料)

完整的论文代码见文章末尾 以下为核心内容和部分结果 问题背景 帕金森病(Parkinson’s Disease, PD)是一种常见的神经退行性疾病,其主要特征是中枢神经系统的多巴胺能神经元逐渐丧失,导致患者出现运动障碍、震颤、僵硬等症状。然而,除运动症状外,帕金森病患者还常常伴有一系列非运动症状,其中睡眠障碍是最为显著的非运动症状之一。 脑电图(Electroencephalogram, E

5.4树,森林

5.4.1树的存储结构 可采用顺序存储结构or链式存储结构 要求能唯一的反映树中各节点之间的逻辑 1.双亲表示法 采用一端连续的空间来存储,同时在每个节点中增设一个伪指针,指示双亲节点在数组中的下标 优点:找双亲节点方便,找孩子不方便 attention:由于根节点无双亲节点,所以其双亲节点的坐标为-1; 双亲表示法的存储结构代码如下: #include<stdio.h>;#

5.sklearn-朴素贝叶斯算法、决策树、随机森林

文章目录 环境配置(必看)头文件引用1.朴素贝叶斯算法代码运行结果优缺点 2.决策树代码运行结果决策树可视化图片优缺点 3.随机森林代码RandomForestClassifier()运行结果总结 环境配置(必看) Anaconda-创建虚拟环境的手把手教程相关环境配置看此篇文章,本专栏深度学习相关的版本和配置,均按照此篇文章进行安装。 头文件引用 from sklear

Spark Mllib之集成算法:梯度提升树和随机森林

微信公众号:数据挖掘与分析学习 集成算法是将其他基础模型进行组合的一中算法。spark.mllib支持两种主要的集成算法:GradientBoostedTrees和RandomForest。 两者都使用决策树作为基础模型。   1.梯度提升树和随机森林 Gradient-Boosted Trees(GBTs)和Random Forest都是用于学习树集成的算法,但训练过程是不同的。 有几个