快点阅读，有什么好看的优秀文学书籍可以推荐？
谢邀，我经常发一些好书好文
春天来了，推荐一些春日好书给你
够你一个春天看的了
《塞耳彭自然史》
［英］ 吉尔伯特•怀特
《鹿苑长春》
［美］ 玛•金•罗琳斯
《绿山墙的安妮》
［加拿大］ 露西•蒙哥马利
《我的阿勒泰》
李娟
《柳林风声》
［英］ 肯尼迪•格雷厄姆
《蝴蝶梦》
［英］ 达芙妮•杜穆里埃
《多多四十年诗选》
多多
《席慕容诗集》
席慕容
《卞之琳诗选》
卞之琳
《昨日之旅》
［奥］斯特凡•茨威格
《刀尖上的舞蹈•茨维塔耶娃散文选》
［俄］茨维塔耶娃
《聂鲁达集》
［智利］巴勃罗•聂鲁达
《辛波斯卡诗选》
［波兰］维斯瓦娃•辛波斯卡
《和他们说说战争、国王和大象》
［法］马蒂亚斯•埃纳尔
《凯尔特乡野叙事：一八八八》
［爱尔兰］威廉•巴特勒•叶芝
《香椿树街故事》
苏童
《梦也何曾到谢桥》
叶广芩
《迟子建散文》
迟子建
《月梦》
白先勇
《青玉案》
董桥
《繁花》
金宇澄
《潮骚》
［日］三岛由纪夫
《井原西鹤选集》
［日］井原西鹤
《风之又三郎》
［日］宫泽贤治
喜欢请点赞
关注阿笙更多美文美图推荐
中国古代女子为何要裹脚？
我国古代封建时代是绝对的男权社会，妇女地位低下，一生都要以男性为生存纲领，守着三从四德卑微的活着，除了精神的压迫，肉体也备受摧残，最典型的就是裹小脚，古人美其名曰“三寸金莲”，其实就是吃人不吐骨头的剥削。
为了迎合大众畸形的审美，古代的女孩子多要裹脚，且越小就越受欢迎，所以在女孩刚学会走路的时候，她的母亲或祖母就要给她裹脚，用长条的裹脚布用力将脚紧紧缠住，阻止脚生长，等到女孩长大后，骨骼不再生长了才停止裹脚。
不知道大家有没有看过三寸金莲的照片，整个脚被裹的感觉就剩个大脚趾，形状弯曲，甚是骇人，可是古代却以此为美，传闻许多男人都有恋脚癖，纵横也实在是理解不了这口味。
至于这三寸金莲是从什么时候开始的，民间传闻版本众多，其中流传最广的起源是说五代时期，南唐后主李煜善诗词、喜风月，养了许多貌美肤白、舞姿卓绝的女子，窅娘就是其中的佼佼者，翩翩起舞仿若出尘，李煜甚是喜爱，曾为她建造了六尺高的金莲台，以珠宝璎珞为饰，窅娘以彩帛裹脚，纤小弯曲的小脚仿佛新月，在金莲台上舞若游龙、翩若惊鸿，惊艳了时光，后众人以此为美争相效仿，裹脚之风蔓延开来。
不过以窅娘为裹脚的起源似乎不妥，窅娘以歌舞为生，肯定是没缠足，因为小脚根本没法跳舞，只不过为了表演效果，只在表演时以彩帛裹脚罢了。
根据史学家们的考证，女子裹脚缠足之风始于北宋，兴起于南宋，发展于元朝，鼎盛于明清。
大诗人苏东坡就曾咏诗歌颂女子缠足：“涂香莫惜莲承步。长愁罗袜凌波去。只见舞回风。都无行处踪。偷穿宫样稳。并立双趺困。纤妙说应难。须从掌上看。”可见在宋朝，女子缠足已经成为文人墨客的心头好。
靖康之难后，金国人掳掠宋朝女子，也是钟爱年轻未育的缠足女子。
蒙古人入主中原后，不反对汉人缠足，还很喜欢，以致元朝缠足之风越来越盛，裹脚往越小越美的方向发展。
到了明代，我们熟知的三寸金莲说已经普遍，女子裹脚都要努力达到三寸以下。
清朝入关后，统治者曾一度下令废除裹脚，可民间反对声音很高，屡禁不止，朝廷也就听之任之了，有清一朝，裹脚之风不但没控制住，还向全国蔓延，许多偏远地区都开始裹脚。大清朝亡了，裹脚的习俗都还没被摒弃。
在1903年，日本举办了一个落后地区的博览会。当中国女子的裹脚和菲律宾等土著人的一些奇怪的习惯放在一起被人展览时，人们才明白裹脚在别的国家人眼中是多么的奇怪。
女子缠足是封建社会对女子实行压迫的一个重要现象，为了古代三从四德，女则，女训等等封建的思想，让女子缠足，有利于将她们禁锢在闺阁之中，这样便限制她们的活动的范围，从而让男子容易控制她们。
中国古代女子缠足的主要目的是为了漂亮。小脚也叫做莲花足，被人们认为极端性感，小脚的女子被看作柔弱，需要男子保护，而且裹脚的女子大都是富贵家庭的，具有贵族气。如果贫穷人家的女子裹脚就没有办法干粗活了。裹脚也变成一个纯洁的符号，因为古代女子裹脚无法自己单独出门。而在贫穷的家庭缠足的女子十分少，如果有的话，也只是为了有可能嫁到上流社会。
封建的文人们审美畸形，认为小脚是最美丽的，然后许多文人们都喜欢看女子的小脚。这种病态的审美，让上流社会也形成了这种思想。于是女子裹脚成为了全社会的趋势。
从生理上来说，女子裹脚之后，能够更好的锻炼腿部肌肉，从而让腰部和骨盆更发达，有利于女子生育。这就符合了古代女子用来传宗接代的思想，因为古代都讲究家族的势力，一个家族，如果人越多，就说明这个家族越兴旺。所以为了家族的兴旺，在古代女子被要求一辈子都要生儿育女，而裹脚对于这个是有利的。所以这对古代的男子来说女子裹脚是必须的。
怎么学习深度学习？
深度学习，就是深层神经网络，仅此而已罢了，直接给你个基于深度学习的心音信号分类的例子。心音信号(PCG)是人体重要的生理信号，携带大量生理特征，但这些微弱信号的提取极易受到外界的干扰，关于心音信号处理相关的文章，可参考下面几篇博士论文，讲的非常详细，因此，不再赘述。
[1]陈尧. 心音心电信号处理的神经网络方法[D].四川大学,2021.
[2]李婷. 基于循环平稳信号理论的心音信号处理方法研究[D].大连理工大学,2015.
[3]韩威. 小样本心音分类方法研究[D].广东工业大学,2020.
首先进行心音信号2分类，即正常与异常分类，首先看一下本次试验用的GoogLeNet网络结构信息
看一下Layers结构
看下输入层信息
看一下两类PCG样本的时域波形
然后定义连续小波变换的滤波器组
fb = cwtfilterbank('SignalLength',signalLength,'VoicesPerOctave',12)
将生成的时频图像导入数据文件夹中
allImages = imageDatastore(fullfile(tempdir,dataDir),... 'IncludeSubfolders',true,'LabelSource','foldernames');
80%的样本用于训练，20%的样本用于测试
rng default [imgsTrain,imgsValidation] = splitEachLabel(allImages,0.8,'randomized'); disp(['Number of training images: ',num2str(numel(imgsTrain.Files))]); disp(['Number of validation images: ',num2str(numel(imgsValidation.Files))]);
Number of training images: 1673
Number of validation images: 419
看一下PCG信号CWT时频谱图的样子，首先看一下异常样本
再看一下正常常样本
设置GoogleNet网络的训练参数，采用sgdm优化算法，小批量尺寸MiniBatchSize=15，最大迭代次数MaxEpochs=20，初始学习率InitialLearnRate=1e-4。
options = trainingOptions('sgdm',... 'MiniBatchSize',15,... 'MaxEpochs',20,... 'InitialLearnRate',1e-4,... 'ValidationData',imgsValidation,... 'ValidationFrequency',10,... 'Verbose',false,... 'ExecutionEnvironment','gpu',... 'Plots','training-progress');
开始训练网络
trainedGN = trainNetwork(imgsTrain,lgraph_2,options);
进行网络测试
[YPred,probs] = classify(trainedGN,imgsValidation); accuracy = mean(YPred==imgsValidation.Labels); display(['GoogLeNet Accuracy: ',num2str(accuracy)])
GoogLeNet Accuracy: 0.89948，GoogLeNet的准确率达到了90%左右，不是很高，因为样本并不是很多。
看一下混淆矩阵
计算一下各个类别的分类指标
%"异常”类别分类指标 RecallAbnormal = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(1,:)); PrecisionAbnormal = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(:,1)); F1Abnormal = harmmean([RecallAbnormal PrecisionAbnormal]); fprintf('RecallAbnormal = %2.3f\nPrecisionAbnormal = %2.3f\nF1Abnormal = %2.3f\n',100*RecallAbnormal,100*PrecisionAbnormal,100*F1Abnormal); %"正常"类别分类指标 RecallNormal = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(2,:)); PrecisionNormal = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(:,2)); F1Normal = harmmean([RecallNormal PrecisionNormal]); fprintf('RecallNormal = %2.3f\nPrecisionNormal = %2.3f\nF1Normal = %2.3f\n',100*RecallNormal,100*PrecisionNormal,100*F1Normal);
RecallAbnormal = 82.470 PrecisionAbnormal = 86.250 F1Abnormal = 84.318 RecallNormal = 93.592 PrecisionNormal = 91.635 F1Normal = 92.603
因为本例只是个示范，所用的样本相对于GoogleNet结构并不多，所以分类准确率并不高。
下面进行心音信号5分类，即正常normal,主动脉瓣反流 AR,主动脉瓣狭窄AS,二尖瓣反流MR,二尖瓣狭窄MS五类，同样本例只是个示范，所用的样本较少，所以分类准确率并不高。看一下5类PCG样本的时域波形
然后定义连续小波变换的滤波器组
fb = cwtfilterbank('SignalLength',signalLength,'VoicesPerOctave',12)
看一下生成的CWT时频谱图
将生成的时频图像导入数据文件夹中
allImages = imageDatastore(fullfile(tempdir,dataDir),... 'IncludeSubfolders',true,'LabelSource','foldernames');
70%的样本用于训练，30%的样本用于测试
rng default [imgsTrain,imgsValidation] = splitEachLabel(allImages,0.7,'randomized'); disp(['Number of training images: ',num2str(numel(imgsTrain.Files))]); disp(['Number of validation images: ',num2str(numel(imgsValidation.Files))]);
设置GoogleNet网络的训练参数
options = trainingOptions('sgdm',... 'MiniBatchSize',15,... 'MaxEpochs',20,... 'InitialLearnRate',1e-4,... 'ValidationData',imgsValidation,... 'ValidationFrequency',10,... 'Verbose',false,... 'ExecutionEnvironment','gpu',... 'Plots','training-progress');
开始训练
trainedGN = trainNetwork(imgsTrain,lgraph_2,options);
进行图像样本分类
[YPred,probs] = classify(trainedGN,imgsValidation); accuracy = mean(YPred==imgsValidation.Labels); display(['GoogLeNet Accuracy: ',num2str(accuracy)])
GoogLeNet Accuracy: 0.9
看一下各类别的分类指标
%"normal" 类别分类指标 RecallNormal = Matrice_confusione.NormalizedValues(5,5)/sum(Matrice_confusione.NormalizedValues(5,:)); PrecisionNormal = Matrice_confusione.NormalizedValues(5,5)/sum(Matrice_confusione.NormalizedValues(:,5)); F1Normal = harmmean([RecallNormal PrecisionNormal]); fprintf('RecallNormal = %2.3f\nPrecisionNormal = %2.3f\nF1Normal = %2.3f\n',100*RecallNormal,100*PrecisionNormal,100*F1Normal); %"AR"类别分类指标 RecallAR = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(1,:)); PrecisionAR = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(:,1)); F1AR = harmmean([RecallAR PrecisionAR]); fprintf('RecallAR = %2.3f\nPrecisionAR = %2.3f\nF1AR = %2.3f\n',100*RecallAR,100*PrecisionAR,100*F1AR); % "AS"类别分类指标 RecallAS = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(2,:)); PrecisionAS = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(:,2)); F1AS = harmmean([RecallAS PrecisionAS]); fprintf('RecallAS = %2.3f\nPrecisionAS = %2.3f\nF1AS = %2.3f\n',100*RecallAS,100*PrecisionAS,100*F1AS); %"MR"类别分类指标 RecallMR = Matrice_confusione.NormalizedValues(3,3)/sum(Matrice_confusione.NormalizedValues(3,:)); PrecisionMR = Matrice_confusione.NormalizedValues(3,3)/sum(Matrice_confusione.NormalizedValues(:,3)); F1MR = harmmean([RecallMR PrecisionMR]); fprintf('RecallMR = %2.3f\nPrecisionMR = %2.3f\nF1MR = %2.3f\n',100*RecallMR,100*PrecisionMR,100*F1MR); %"MS"类别分类指标 RecallMS = Matrice_confusione.NormalizedValues(4,4)/sum(Matrice_confusione.NormalizedValues(4,:)); PrecisionMS = Matrice_confusione.NormalizedValues(4,4)/sum(Matrice_confusione.NormalizedValues(:,4)); F1MS = harmmean([RecallMS PrecisionMS]); fprintf('RecallMS = %2.3f\nPrecisionMS = %2.3f\nF1MS = %2.3f\n',100*RecallMS,100*PrecisionMS,100*F1MS);
RecallNormal = 100.000 PrecisionNormal = 100.000 F1Normal = 100.000 RecallAR = 100.000 PrecisionAR = 75.000 F1AR = 85.714 RecallAS = 83.333 PrecisionAS = 100.000 F1AS = 90.909 RecallMR = 80.000 PrecisionMR = 100.000 F1MR = 88.889 RecallMS = 83.333 PrecisionMS = 83.333 F1MS = 83.333
由于小样本原因，准确率不是很高。重点来了，更重要的是看看如何进行改进
改进方向：信号前处理
1.可以使用合适的信号降噪方法，移不变小波去噪方法对于PCG,ECG等信号来说还是不错的
基于Cycle Spinning的移不变小波去噪 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/539089086
2.根据PCG信号的波形，可以自适应的构造更合适的小波
利用机器学习模型设计正交小波滤波器 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/537254014
为连续小波变换CWT构造新小波 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/534682868
3.使用时频谱图更加集中的同步压缩变换
同步压缩变换初探 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/543569766
高阶同步压缩变换--占坑 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/544716722
在网络选取方面
GoogLeNet相对于本文样本来说太大了，同时我并不推荐迁移学习和样本生成方法，不要问我为什么
基于小波时间散射网络的ECG 信号分类 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/539001673
基于小波散射算法的空气压缩机异常噪声诊断 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/531077421
码字不易，且行且珍惜
六年级的孩子如何提高阅读理解能力和写字能力？
谢谢邀请！
六年级是小学阶段的第三学段，学生已经有一定的认知能力和阅读能力，我觉得要想提高阅读理解能力和写字能力，学生就得多读写多练。
1、阅读量六年级学生的累计阅读量应达到100万，你想提高阅读理解能力，阅读量达不到是不行的。必须博览群书，扩展课外阅读量，在读中积累语言。即是有的内容不太明白，读得多了，自然就理解了，不是说书读百遍，其义自见吗？
2、阅读要求不管是阅读课文还是课外书，要学会默读，并且默读有一定的速度，在阅读中积累自己喜欢的优美词语、格言警句等；遇到不理解的字词要借助工具书或联系上下文和自己的积累，理解有关词句的意思，辨别词语的感情色彩，体会其表达效果；在阅读过程中揣摩文章的表达顺序，体会作者的思想感情，领悟文章基本的表达方法。
3、阅读题阅读理解一般分为课内理解和课外理解。不管课内理解题还是课外理解题，都得认真读短文，在作答时，第一遍先快速整体阅读全文，知道大意。第二遍就要带着问题边读边作答，要重视文章的标题，开头段，结尾段 ，还有各个段落的首句。不要不看文章盲目答题，一定要带着问题仔细地去阅读文章。答题完毕，要对着要求再对照短文认真把答案检查一遍，做到万无一失。另外还要掌握住答题技巧，比如找过渡句，看那句话的前半句是承接上文，后半句是引起下文就是那句话。按什么顺序写的题如果是记叙文，看是按时间顺序还是按事情发展的顺序写等；文章的主要内容可以依据段意或中心句来概括总结。
4、写字能力首先写字姿势得正确，眼睛离笔尖约一尺左右，便于观察和调整一个字与上下左右字的关系，胸部要与桌沿有一拳头的距离，左手按纸，右手执笔，食中指距笔尖一寸；其次，正确的握笔姿势很重要，现在都是“三指执笔法，也就是右手执笔，大拇指、食指、中指分别从三个方向捏住离笔尖三厘米左右的笔杆下端，笔杆的上端自然地斜倚在手掌的虎口处。接着对照
字帖练习，掌握汉字的基本运笔方法，做到横平竖直。练写之前，先观察汉字的间架结构，占格位置，做到胸有成竹，再动笔练习。
总之，六年级的孩子光说不读不练是不行的。阅读上要养成不动笔墨不读书的习惯，扩大阅读量；写字上要会读帖还得常练，再加上自己的悟性。只有养成多读多写的好习惯，才能提高阅读理解能力和写字能力
最好是能让自己静心思考的书籍？
关注公众号平凡而诗意，原创文章精彩不断！
推荐10本不错的书，涉及小说、历史、传记、管理，不推荐太多，每本都是自己从头到尾看完，且觉得非常值得一看的书。
《我与父辈》——阎连科《我与父辈》是一本非常暖心、引人对父子、晚辈与长辈关系深思的一本书，作者从自己的童年开始写起，把人们带回到上世纪那个充满贫穷和饥饿的年代，讲述了生活在偏僻农村里的父亲、大伯、四叔坎坷而平淡的一生，以及自己艰辛的成长经历。当然，除了对那段沉重历史的回忆之外，阎连科用更多的笔墨讲述了父辈对子女浓浓的亲情，讲述了自己在温暖的亲情之下获得的滋养，以及对这种亲情的真诚感恩。经历过的人读这长文会有一种共鸣；而没经历过的人，却有一种警醒与启迪。
《沧浪之水》——阎真我觉得《沧浪之水》是一本很现实的书，血淋淋的真实。讲述“我”是如何被正直的父亲教育“善良”、“正直”，如何从一个高学历毕业后不愿意向金钱势力低头，如何面对内心的自卑与挣扎，如何最后蜕变成完全相悖的一个人的历程。这本书之所以让我印象深刻，因为它对现实生活的描绘如此真实，我觉得这本书不仅仅是一本小说，对职场、交际也有很多指导意义。
《在细雨中呐喊》——余华我喜欢余华的作品，不仅仅是他的文字朴实中带着优美。对比于《兄弟》、《许三观卖血记》，我更喜欢《在细雨中呼喊》，入木三分的无奈与绝望，黑色的诙谐。人物刻画栩栩如生，每个场景都似曾相识。
《我的前半生》——溥仪这是我近期在看的一本书，因为喜欢历史，当初看完电影《末代皇帝》后我把清朝历史学习了一遍。多年后，我心血来潮看了这本书，给我另一番新世界。首先是这本书的文学底蕴不亚于很多知名的作家，读书的时候我多次疑惑这是不是出自溥仪之手。其次，这本书对九五之尊的皇帝生活描绘的如此真实，因为出自皇帝之手，让这本书比起居注、史官更加可信，令人打开一个新世界，对中国几千年的君王生活有一个重新的认识。
《沉睡的人鱼之家》——东野圭吾相对于《白夜行》《解忧杂货店》《假面饭店》这些名气较大的作品，我更喜欢东野圭吾这部作品。如果推理小说一定要有死亡，这本书所触及的或许就是最残忍最令人绝望的一种情境。这是一部慰藉人心之作。既悲伤又温暖，这是一个让我们重新面对人生的故事。我觉得这部作品已经超越推理，开始思索人性、法律等其他现实问题。
《基督山伯爵》——大仲马这是一部巨著，一部漫长的复仇故事。“没有人能保护我，也没有人再能打败我。我不信教义，不信律法，我自己的标准就是我的法规。能阻止我的只有死亡，可是我不怕死。”
《文化苦旅》——余秋雨一部《苦旅》尽显余秋雨华丽的文风。
《史蒂夫·乔布斯传》——沃尔特·艾萨克森这和距离我们遥远的《拿破仑传》《成吉思汗传》不同，这本书距离我们更近。无论是人物还是发生的故事。因此，这本书具备了第一个条件：吸引人。其次，这本书不单单是一部传记，还可以看作是一本使人成长的书籍。让你看到一个成功人士为何成功，除了超强的技术能力之外，还应该拥有哪些特质。《穷查理宝典》——查理·芒格
《穷查理宝典》首次收录了查理过去20年来主要的公开演讲，书中十一篇讲稿全面展现了这个传奇人物的聪明才智。此外，“芒格主义：查理的即席谈话”一章收录的是他以往在伯克希尔·哈撒韦公司和西科金融公司年会上犀利和幽默的评论。贯穿《穷查理宝典》全书的是芒格展示出来的聪慧、机智，其令人敬服的价值观和深不可测的修辞天赋。他拥有百科全书式的知识，所以从古代的雄辩家，到18、19世纪的欧洲文豪，再到当代的流行文化偶像，这些人的名言他都能信手拈来，并用这些来强调终身学习和保持求知欲望的好处。《赢》——杰克·韦尔奇，苏茜•韦尔奇
作者为通用电气第八任CEO，在任期间，GE公司的市值增长到4000亿美元，高居世界第一，这部作品也被沃伦·巴菲特，比尔·盖茨等强力推荐。韦尔奇结合亲身管理实践及大量鲜活的案例，将其在工作与生活中“赢”的智慧倾囊相授，内容涉及商务活动的诸多层面，包括商业生活的要旨、企业领导的管理智慧、普通员工的求职与晋升之道，乃至如何实现工作与生活的平衡。总之，这是一部非常全面而实用的管理书籍。
创作不易，如果喜欢，麻烦点个赞再走吧~
