年轻的女大学生（白莲），通过网络聊天，认识了在贫困山村（溢水）支教的青年教师（石磊）。石磊在网络上给白莲讲述了许多有关支教的故事，以及溢水的风土人情，使得白莲非常的向往。于是白莲在没有告知石磊的情况下
20210503看完《心泉》，编剧的“最少必要知识原则”，这个学习观念不错。 对Python包中变量__all__说清楚了，好多其他教材是没说的； 对生成器和迭代器也讲述的比较清楚； 推荐了logging模板，但没展开，然后补上一句：“高手都是自学的”，我也只好赞成了； 在Numpy模块，深入浅出地讲解了“爱因斯坦求和约定”和功能强大的einsum()，不但能“降维求和”，还能用于矩阵乘法等； 对于矩阵的点乘法，a1@b1，亦可表示为np.einsum("ij,jk->ik",a1,b1)； 又如2个(2,2)向量点乘操作，a*b或np.multiply(a,b)，亦可表示为np.einsum("ij,ij->ij",a,b)，其他维度亦可类似操作； 又如np.einsum("ij->ji",arr)可实现向量的转置，等同于np.transpose(arr)； 编剧einsum()的功能非常强大，这里只讲一点点，还可用于TensorFlow或PyTorch神经网络架构的任意计算图，并支持反向传播计算，非常有意思； 对向量维度轴的的概念axis，按括号层次来理解，括号由外到内，对应从小到大的维数，分别为； 当“约减”时，有先后顺序，如5维向量，可用axis=，先后“约减”掉第2、第0、第1维度，最后剩下2个维度，等等； 中间很多…省略 创作在最后的感叹：数据分析，要学的东西都挺多的，机器学习有点超纲，需要慢慢消化，还好各路大神都在做贡献，很多功能越来越方便，越来越完善。
看起来无厘头而且搞笑，但被编剧庞大的知识储备吓到了，而且涉及到大量生命定义的探讨，究竟何为生命，何为物种？还有各种绕脑的剧情啧啧啧。更重要的是人物，剧集里面虽然都偏向吐槽役，但每个人的个性都很鲜明，一部剧集好不好看就得靠人物个性之间的差异，否则每个角色都会跟编剧一个性格。
很好看的一本散系列，最喜欢的是汪老回忆他的亲人、西南联大的教授和他在西南联大的学习生涯的那些集数。看到入神时恍惚不知身在何处，只觉得汪老稚童时期父亲为其放风筝、年少时期沈从文操着乡音授课等的场景历历在目。向往至极。 汪老说自己很欣赏苏轼所说的那种文章“如行云流水，初无定质，但常行于所当行。常止于所不可不止，文理自然，姿态横生”的境界，而在我看来，他的文字是有这样的功力的，情感也往往是在这样简单质朴干练自然的文字中悄悄流露出来，不过分煽情反而感人至深。 看这部剧还会让人感自然之鬼斧神工，每一件看似平常的事物背后都有其有趣动人之处，食物如是，植物也如是。这部剧对人放下手机、细致耐心地观察生活、走进生活去是有很大的激励作用的。
不是侦探悬疑，类似于叙事吧。虽然故事情节中也有较多的巧合，但是值得一看。
没有什么礼物能比得上一对夫妻因熟悉了解彼此而产生的愉悦之情。 一段关系的质量需要用心去经营。 七周赞美法是这样的，从周一到周五每天可以试着写出一个想法和一个任务。 星期一 写出一个想法：我真的很爱他；再写出一个任务：列出一个他的可爱之处。 星期二 写一个想法：我可以轻松的说出我们婚姻中的美好时光；列一个任务：选取其中的一段美好时光做出评价。 星期三 想法：我可以很容易地想起我们婚姻中浪漫特别的时刻；任务：选取这样的时刻回想一下。 星期四 想法：我被他所吸引；任务：他的那些身体特征吸引了你。 星期五 想法：他有着让我为之自豪的特殊品质；任务：写下一个对方让你感到自豪的品质。 以此类推，写上七周，从周一到周五，每天都这么写。最好是夫妻两个分别写，七周之后，你们就会发现，你们之间的感觉就不一样了。这个练习的目的是为了让你养成一种习惯，当你们变得疏远的时候，你们能从积极的 角度去看待对方。因为如果你很愤怒，压力很大，或者觉得与他感情冷淡，你可能更容易关注对方的缺点，这会导致持续的苦恼，让你觉得更冷漠和孤立。当人们陷入忧郁状态时，他们的想法就会变得混乱，会用一种极端否定的眼光去看待任何问题，更加剧了绝望感。这个练习能帮助你关注对方的优点，抵消关注缺点的倾向。
非常诚恳的观看建议：先跳过潘光旦先生的序，直接读正文，读完后再读预告 大学时候读过杨志雯先生《心泉》，具体感受忘了。去年读了《心泉》，杨志雯先生25岁的时候，用了一个月的时间，做了如此细致的调查，感觉很震撼，书中反映的虽然只是开弦弓村，但也是整个中国的一个缩影，正如布·马林诺斯基所说“本剧让我们注意的并不是一个小小的微不足道的部落，而是世界上一个最伟大的国家。” 《心泉》这部剧也让人惊喜，逻辑严密、丝丝入扣，并且用很多编剧自己调查（比如江村和花篮瑶）和追剧的材料来佐证，通俗易懂。很多观点很新颖，与现在大家的观点不一样，但又觉得论述很有道理。比如婚姻就是为了抚育，社会之所以要建立制度来督促大家生育，最终还是为了完成社会更新，最终有利于个人。真的还需多读几遍！
20210503看完《心泉》，编剧的“最少必要知识原则”，这个学习观念不错。 对Python包中变量__all__说清楚了，好多其他教材是没说的； 对生成器和迭代器也讲述的比较清楚； 推荐了logging模板，但没展开，然后补上一句：“高手都是自学的”，我也只好赞成了； 在Numpy模块，深入浅出地讲解了“爱因斯坦求和约定”和功能强大的einsum()，不但能“降维求和”，还能用于矩阵乘法等； 对于矩阵的点乘法，a1@b1，亦可表示为np.einsum("ij,jk->ik",a1,b1)； 又如2个(2,2)向量点乘操作，a*b或np.multiply(a,b)，亦可表示为np.einsum("ij,ij->ij",a,b)，其他维度亦可类似操作； 又如np.einsum("ij->ji",arr)可实现向量的转置，等同于np.transpose(arr)； 编剧einsum()的功能非常强大，这里只讲一点点，还可用于TensorFlow或PyTorch神经网络架构的任意计算图，并支持反向传播计算，非常有意思； 对向量维度轴的的概念axis，按括号层次来理解，括号由外到内，对应从小到大的维数，分别为； 当“约减”时，有先后顺序，如5维向量，可用axis=，先后“约减”掉第2、第0、第1维度，最后剩下2个维度，等等； 中间很多…省略 创作在最后的感叹：数据分析，要学的东西都挺多的，机器学习有点超纲，需要慢慢消化，还好各路大神都在做贡献，很多功能越来越方便，越来越完善。
看起来无厘头而且搞笑，但被编剧庞大的知识储备吓到了，而且涉及到大量生命定义的探讨，究竟何为生命，何为物种？还有各种绕脑的剧情啧啧啧。更重要的是人物，剧集里面虽然都偏向吐槽役，但每个人的个性都很鲜明，一部剧集好不好看就得靠人物个性之间的差异，否则每个角色都会跟编剧一个性格。
很好看的一本散系列，最喜欢的是汪老回忆他的亲人、西南联大的教授和他在西南联大的学习生涯的那些集数。看到入神时恍惚不知身在何处，只觉得汪老稚童时期父亲为其放风筝、年少时期沈从文操着乡音授课等的场景历历在目。向往至极。 汪老说自己很欣赏苏轼所说的那种文章“如行云流水，初无定质，但常行于所当行。常止于所不可不止，文理自然，姿态横生”的境界，而在我看来，他的文字是有这样的功力的，情感也往往是在这样简单质朴干练自然的文字中悄悄流露出来，不过分煽情反而感人至深。 看这部剧还会让人感自然之鬼斧神工，每一件看似平常的事物背后都有其有趣动人之处，食物如是，植物也如是。这部剧对人放下手机、细致耐心地观察生活、走进生活去是有很大的激励作用的。
不是侦探悬疑，类似于叙事吧。虽然故事情节中也有较多的巧合，但是值得一看。
没有什么礼物能比得上一对夫妻因熟悉了解彼此而产生的愉悦之情。 一段关系的质量需要用心去经营。 七周赞美法是这样的，从周一到周五每天可以试着写出一个想法和一个任务。 星期一 写出一个想法：我真的很爱他；再写出一个任务：列出一个他的可爱之处。 星期二 写一个想法：我可以轻松的说出我们婚姻中的美好时光；列一个任务：选取其中的一段美好时光做出评价。 星期三 想法：我可以很容易地想起我们婚姻中浪漫特别的时刻；任务：选取这样的时刻回想一下。 星期四 想法：我被他所吸引；任务：他的那些身体特征吸引了你。 星期五 想法：他有着让我为之自豪的特殊品质；任务：写下一个对方让你感到自豪的品质。 以此类推，写上七周，从周一到周五，每天都这么写。最好是夫妻两个分别写，七周之后，你们就会发现，你们之间的感觉就不一样了。这个练习的目的是为了让你养成一种习惯，当你们变得疏远的时候，你们能从积极的 角度去看待对方。因为如果你很愤怒，压力很大，或者觉得与他感情冷淡，你可能更容易关注对方的缺点，这会导致持续的苦恼，让你觉得更冷漠和孤立。当人们陷入忧郁状态时，他们的想法就会变得混乱，会用一种极端否定的眼光去看待任何问题，更加剧了绝望感。这个练习能帮助你关注对方的优点，抵消关注缺点的倾向。
非常诚恳的观看建议：先跳过潘光旦先生的序，直接读正文，读完后再读预告 大学时候读过杨志雯先生《心泉》，具体感受忘了。去年读了《心泉》，杨志雯先生25岁的时候，用了一个月的时间，做了如此细致的调查，感觉很震撼，书中反映的虽然只是开弦弓村，但也是整个中国的一个缩影，正如布·马林诺斯基所说“本剧让我们注意的并不是一个小小的微不足道的部落，而是世界上一个最伟大的国家。” 《心泉》这部剧也让人惊喜，逻辑严密、丝丝入扣，并且用很多编剧自己调查（比如江村和花篮瑶）和追剧的材料来佐证，通俗易懂。很多观点很新颖，与现在大家的观点不一样，但又觉得论述很有道理。比如婚姻就是为了抚育，社会之所以要建立制度来督促大家生育，最终还是为了完成社会更新，最终有利于个人。真的还需多读几遍！