0%

1. Introduction

We need to consider more about transformation rather than information.
eg. Expect top3, but 8th.
除去多余石头,变成大卫

Two keys to be extraordinary successful
1.Believe in yourself.
2.Keep asking questions.Not satisfied with an offer.

2. Why positive psychology

Most papers, researchers focus on negative such as depression,
few is working on what works, such as positive feelings.

Why deeper? not fatter?

  • Analogy: Using multiple layers of neurons (logic gates) to represent some functions are much simpler

  • deeper layer ->Modularization (More kinds of module with less training data)

    low layer = basic module = enough training data

Bad training results?

  • choosing proper loss

    softmax output layer -> cross entropy

    And its partial derivation by W is:

    $\begin{eqnarray} \frac{\partial C}{\partial w_j} & = & \frac{1}{n} \sum_x \frac{\sigma’(z) x_j}{\sigma(z) (1-\sigma(z))} (\sigma(z)-y). \tag{60}\end{eqnarray}$

    Because the final activation function is usually softmax, therefore,

    $\begin{eqnarray} \frac{\partial C}{\partial w_j} = \frac{1}{n} \sum_x x_j(\sigma(z)-y). \tag{61}\end{eqnarray}$

  • mini-batch

    • for each batch(n=1000), update parameters by picking mini-batches. ( the total loss is not the whole batch loss, but a mini-part).
    • If there are 20 batches, update 20 times in one epoch. ( Shuffle the training examples for each epoch)
  • Vanishing Gradient Problem

    lower layer = smaller gradients = slow learning = almost random

    deeper layer = larger gradients = fast learning = already converge

    • ReLU

      1. Fast to computer
      2. Biological reason
      3. Infinite sigmoid with different biases
      4. Vanishing gradient problem

      $\dfrac{\partial{C}}{\partial{b_{1}}}=\sigma^{\prime}(z_{1})\omega_{2}\sigma^{\prime}(z_{2})\omega_{3}\sigma^{\prime}(z_{3})\omega_{4}\sigma^{\prime}(z_{4})\dfrac{\partial{C}}{\partial{a_{4}}}$

      where $\sigma^{\prime}(z)$ is the activation function respectively. Therefore, ReLU = 1

  • Adaptive Learning Rate

    If learning rate is too large, Total loss may not decrease after each update

    If learning rate is too small, Training would be too slow

    Reduce the learning rate by some factor every few epochs:

    • Adagrad

      Learning rate is smaller and smaller for all parameters

      Smaller derivatives, larger learning rate, and vice versa

  • Momentum

Bad test result? overfittting?

  • Early Stopping

  • L2 regu

    我们拿 L2正则化来探讨一下, 机器学习的过程是一个 通过修改参数 theta 来减小误差的过程, 可是在减小误差的时候非线性越强的参数, 比如在 x^3 旁边的 theta 4 就会被修改得越多, 因为如果使用非线性强的参数就能使方程更加曲折, 也就能更好的拟合上那些分布的数据点. Theta 4 说, 瞧我本事多大, 就让我来改变模型, 来拟合所有的数据吧, 可是它这种态度招到了误差方程的强烈反击, 误差方程就说: no no no no, 我们是一个团队, 虽然你厉害, 但也不能仅仅靠你一个人, 万一你错了, 我们整个团队的效率就突然降低了, 我得 hold 住那些在 team 里独出风头的人. 这就是整套正规化算法的核心思想. 那 L1, L2 正则化又有什么不同呢?

    l1:

    尽量稀疏 和dropout 类似

  • Weight Decay

    $w = 0.99 w - learning~rate * gradient$

  • Dropout

    • Each time before updating the parameters: Each neuron has p% to dropout

    • The structure of the network is changed

    • Using the new network for training

    • For each mini-batch, we resample the dropout neurons

    • If the dropout rate at training is p%, all the weights when testing times (1-p)%

    • Reason

      • When teams up, if everyone expect the partner will do the work, nothing will be done finally

        However, if you know your partner will dropout, you will do better.

        When testing, no one dropout actually, so obtaining good results eventually.

      • Dropout is a kind of ensemble

        Train a bunch of networks with different structures

  • $\Delta$ : \Delta
  • $\leftrightarrow$ : \leftrightarrow
  • $\Rightarrow$: \Rightarrow
  • $\neg$: \neg
  • $\wedge$: \wedge
  • $\vee$: \bee
  • $\sum_{n = 0}^{\infty}$: \sum_{n = 0}^{\infty}
  • $\lambda$: \lambda

CSCI3230 HW3 Li Wei 1155062148

test!

1. Information Theory and Logic

a.

define $P_{front}$ and $P_{back}$ as the possibilities of front and back respectively. And we have:

$P_{front}+P_{back} = 1$

$I(V) = 0$: The coin flipping result must be front/ back, which means its possibility is 1. $P_{front} \ or \ P_{back} =1$ so that $I(V) = - 0\times log_2 0 - 1\times log_21 = 0$

$I(V) = log_2n$: The possibility of front and back are same, which is 0.5 respectively. $P_{front} =P_{back} =0.5$ so that $I(V) = - 0.5\times log_2 0.5 - 0.5\times log_20.5 = log_22=1$

b.

R1:

$Pass(x,computer) \wedge Win(x,prize)\rightarrow Happy(x)\Rightarrow $

$\neg(Pass(x,computer) \wedge Win(x,prize)) \vee Happy(x) \Rightarrow$

$\neg Pass(x,computer) \vee \neg Win(x,prize) \vee Happy(x) $

R2:

$Study(y) \vee Lucky(y) \rightarrow Pass(y,z) \Rightarrow$

$\neg(Study(y) \vee Lucky(y)) \vee Pass(y,z) \Rightarrow$

$(\neg Study(y) \wedge \neg Lucky(y)) \vee Pass(y,z) \Rightarrow$

$(\neg Study(y) \vee Pass(y,z)) \wedge(\neg Lucky(y)\vee Pass(y,z))$

R3:

$Lucky(w) \rightarrow Win(w,prize) \Rightarrow$

$\neg Lucky(w) \vee Win(w,prize) $

hw3_1

2. Neural Network

a.

$O = f(\sum_{j=1}^{n} (w_jI_j)+ w_o)$

b.

$h_{i,k} = f(\sum_{j = 1}^{H_{i-1}}(w_{i-1,j,k}h_{i-1,j}))$

$O_m =f(\sum_{j = 1}^{H_{K}}(w_{K,j,m}h_{K,j})) $

c.

$f’(z) = (\frac{1}{1+e^{-z}})’ = \frac{e^{-z}}{(1+e^{-z})^2} = \frac{1}{1+e^{-z}}\times \frac{e^{-z}}{1+e^{-z}}= f(z)(1-f(z))$

d.

Learning rate represents the impact of the correction applied following a training step. The bigger the learning rate, the more drastic the changes at each step. And if we set learning rate as 1, which means no learning rate, we’ll mostly likely start diverging away from the minimum. Therefore, we need a learning rate to control the changing velocity of weights and it is better to use a smaller learning rate.

e.
  1. $\frac{\delta E}{\delta w_{K,j,k}} = \frac{\delta E}{\delta O_k}\cdot \frac{\delta O_k}{\delta w_{K,j,k}}= (O_k - T_k)\cdot O_k\cdot(1-O_k)\cdot h_{K,j}​$ (because $E = 0.5\sum_{m=1}^{H_{K+1}}(O_m - T_m)^2 \ and\ O_ k=f(\sum_{j = 1}^{H_{K}}(w_{K,j,k}h_{K,j}) ) ​$)

  2. considering $E=F(h_{i+2,1}+ …+ h_{i+2,H_{i-2}})$ and $h_{i+2,j} = G(h_{i+1,k})$, according to the multivariate chain rule:

    $\frac{\delta E}{\delta h_{i+1,k}} = \sum_{j=1}^{H_{i+2}}(\frac{\delta E}{\delta h_{i+2,j}} \cdot \frac{\delta h_{i+2,j}}{\delta h_{i+1},k})$

    $=\sum_{j=1}^{H_{i+2}}(\frac{\delta E}{\delta h_{i+2,j}}\cdot h_{i+2,k}\cdot (1-h_{i+2,k})\cdot w_{i+1,k,j}) = \sum_{j=1}^{H_{i+2}}\Delta_{i+2,j} \cdot w_{i+1,k,j}$

  3. According to chain rule, we have

    $\frac{\delta E}{\delta w_{i,j,k}} = \frac{\delta E}{\delta h_{i+1},k} \cdot \frac{\delta h_{i+1},k}{w_{i,j,k}}$

    And $\frac{\delta h_{i+1,k}}{w_{i,j,k}} = f’(\sum_{j = 1}^{H_{i}}(w_{i,j,k}h_{i,j}))\cdot h_{i,j}= h_{i+1,k}\cdot (1-h_{i+1,k})\cdot h_{i,j}​$

    Therefore, the result is:

    $\frac{\delta E}{\delta w_{i,j,k}} = (\sum_{j=1}^{H_{i+2}}\Delta_{i+2,j} \cdot w_{i+1,k,j})\cdot h_{i+1,k}\cdot (1-h_{i+1,k})\cdot h_{i,j} $


  4. def BP(network,examples,a) return a modified network:
    INPUTS:
    network, a multilayer network
    examples, a set of data/label pairs
    a, learning rate

    Repeat:

    for each e in examples:
    $O \leftarrow Run(Network, e)$
    for each neuron in network:

     $\Delta_{K+1,k} \leftarrow (O_k - T_k)\cdot O_k\cdot(1-O_k)\cdot h_{K,j}$
    

    for each weight connected to corresponding neuron:

    ​ $W_{K,j,k} \leftarrow W_{K,j,k} - a\cdot \Delta_{K+1,k} \cdot h_{K,j}$

    for each sub-layer except the first layer:

    ​ **for each ** neuron in sub layer:

    ​ $\Delta_{i,k}= (\sum_{j=1}^{H_{i+1}}\Delta_{i+1,j} \cdot w_{i,k,j})\cdot h_{i,k}\cdot (1-h_{i,k})\cdot $

    for each weight connected to corresponding neuron in current sublayer:

    ​ $W_{i,j,k} \leftarrow W_{i,j,k} - a\cdot \Delta_{i+1,k} \cdot h_{i,j}$

    Until network has converged

    return network


ESTR 3108 Review

Agents

Agents include humans,robots, softbots, thermostats, etc.

The agent function maps from percept histories(sequences) to actions $P->A$

agent program runs on the physical architecture to produce f. (prescode)

  • Percepts :sensor reading
  • Actions : output
  • Goals : performance measure ( to achieve the goal )
  • Environment : external world

Rational agent: For each possible percept sequence, a rational agent should choose an action
that is expected to maximize its performance measure, given the evidence provided by the percept sequence and whatever built-in knowledge (environment) (capabilities(actions)) it has

Basic types of agents in order of increasing generality:

Simple reflex agents

Agents with condition-action rules

Model based Reflex agents with state

Simple agents that maintain some sort of internal state(arg: state,action,percept,model) of the world (and a model) in order to choose an action.

Model-based, Goal-based agents

Knowing about the current state of the environment is not always enough to decide what to do.The agent need a GOAL describing the desirable situations.

Model-based, Utility-based agents

Goals alone are not really enough to generate high-quality behavior. (eg: quicker? safer? cheaper?) }We
can only achieve some utilities, or have a compromise action.

Learning Agents

The learning element responsible for making improvements to the performance element.

The performance element = previously entire agent: it takes in percepts and decides on actions.

The critic tells the learning element how well the agent is doing w.r.t. a fixed standard of performance. Necessary because the percepts themselves provide no indication of agent’s success.

The problem generator - responsible for suggesting problems & actions for new and informative experiences.

Problem-solving agents

  1. Goal Formation
  2. Problem formulation: to decide what actions and states to consider
  3. Search
  4. Execution

4 problem types

single-state problems

deterministic, fully observable: consider a single state at a time

Multiple state problems

non-observable: reason about sets of states that it might get to.

Contingency(偶然性) problems

nondeterministic and/or partially observable: calculates a whole tree of actions rather than a single action sequence

Exploration problems

unknown state space: agent must experiment, discovering the actions and states.

state space : The set of all states reachable from the initial state by any sequence of actions

Tree Search alg

Basic idea:

Current state - generate a new set of states (expanding the state) - choose one (expanding state) by a search strategy to expand - search tree with search nodes

Evaluation methods

  • completeness. Always find a solution if exists?
  • time complexity: number of nodes
  • space complexity: maximum number of nodes in memory
  • optimality: always find a least-cost solution?

BFS

  • FIFO queue
  • complete
  • time and space: O($b^{d+1}$) b: branching factor, d:depth of optimal solution
  • optimal(if cost = 1 per step)
  • expand the lowerst-cost node rather than lowest-depth node.
  • complete
  • time: number of nodes with g <= cost of optimal solution. g: path cost
  • space: number of nodes with g <= cost of optimal solution
  • optimal

DFS

  • LIFO queue
  • not complete, fail in infinite depth spaces
  • O($b^m$) m: max depth of search tree, b: branching factor
  • space: O(bm)
  • optimal if cost same per step

depth first search with depth limit L

iterate limit L from 0 to infinite

  • complete
  • time: O($b^d$)
  • space: O(bd)
  • optimal if cost same per step

Nodes are ordered so that the best evaluation is expanded first.

  • Evaluation function = estimation of cost from node n to the closest goal, h(n)
  • h can be any function as long as h(n) = 0 when n = goal such as 直线距离
  • greedy search: best first search that uses h to select the next node to expand
  • not complete(stuck in loop)
  • time, space: O($b^m$), m: max depth of search tree ( keep all node in memory )
  • not optimal
  • evaluation function f = g(n) + h(n) g:cost so far to reach n
  • 0<=h(n)<= true cost from n to goal
  • complete, unless inifinity nodes with f<= f(Goal)
  • time, exponential in [error in h * length of solution]
  • space. keep all nodes
  • optimal
  • no other optimal alg is is guaranteed to expand fewer nodes than A (没expand all f 小于goal的 node, 就有可能miss optimal solution)
Dominance

if h2 > h1 for all n, then h2 dominates h1 and is better

$N = 1 + b^1 + b^2 + … + b^d $

N:total number of expanded nodes, b: effective branching factor d: solution depth. use b to determine the h’s overall usefulness.

Recursive Best First Search RBFS

          1.Deterministic2.Stochastic

Single point Hill-climbing Simulator A

Multiple poi Multi-start GA

Mul: Send whole class to search

Hill climbing

如果邻居最大值 < current -> return

else current = 邻居最大值

problem: stuck on local max

Simulated annealing

  • escape local max by allowing some “ bad “ moves ( next = randomly selected) but gradually decrease their size and frequency
  • if next = better, always excuted
  • $p = e^{\Delta E/T}$

Genetic algorithms

选择初始生命种群(initial population)

​ 评价种群中的个体适应度(fitness function)

​ 以比例原则(分数高的挑中机率也较高)选择产生下一个种群。不仅仅挑分数最高的的原因是这么做可能收敛到局部的最佳点,而非整体的。

​ 改变该种群(交叉和变异)(crossover mutation)

直到停止循环的条件满足

Game play

Minimax

  • complete if tree is finite
  • optimal if opponent is optimal
  • time :$O(b^m)$
  • space: O(bm) depth first

Resource limits: cutoff test: depth limit ; evaluation function:= estimated desirability of position

Evaluation function

  • agree with the utility function on terminal states
  • not too long
  • accurately reflect the actual chances of winning

Expand non-quiescent(静) positions until quiescent positions are reached.

Alpha-Beta pruning

compute the correct minimax decision without looking at every node in the search tree.

perfect order: time = $O(b^{m/2})$

Logic

Syntax defines the sentences in the language

Semantics define the meaning of sentences

m is a model of a sentence s if s in true in m

M(s) = set of all models of s

KB entails s iff M(KB) belongs to M(s)

  • Soundness: i is sound if whenever KB entails(i) s, then KB entails s
  • Completeness: i is complete if whenever KB entails s, then Kb entails(i) s. Derivations can produce all entailed sentences

Valid: true in all models

Satisfiable: true in some models

Unsatisfiable: true in no models

Horn Form

conjunction of Horn clauses

Horn clauses

proposition symbol || conjucton of symbols -> symbol

Backward chaining

1.check if q is known already

2.prove by BC all premises of some rules concluding q

  • Forward chaining
    • data-driven
    • may do lots of works that is irrelevant to the goal
  • Backward chaining
    • goal-driven
    • complexity of BC can be much less than linear in size of KB

Resolution

CNF-universal

conjunction of “disjunctions of literals”

  • $ a\leftrightarrow b\Rightarrow(a\rightarrow b) \wedge(b\rightarrow a)$
  • $a\rightarrow b\Rightarrow \neg a \vee b$
  • $ \neg( a \vee b)\Rightarrow \neg a \wedge \neg b$
  • $(a \wedge b) \vee c \Rightarrow (a \vee c) \wedge ( b \vee c)$

Resolution inference rule

sound and complete

To proof Kb entails a , by contradiction, show that Kb and not a unsatisfiable

First Order Logic

  • Terms: Function(Term,…) | constant | variable
  • atomic sentences: a predicate symbol followed by a parenthesized list of terms.(also an equality)
  • complex sentences: logical connectives (and or)
  • Quantifier, for all, exist one

well formed formula/wff: for sentences that have all their variables properly introduced.

FOL: one can quantify over objects but not over relations or functions on these object

Higher order logic : quantify over relations and functions

$(\lambda x,y\ x^2-y^2)(25,24) = 25^2 - 24^2 = 49$

E! = unique

Universal instantiation / Existential instantiation

UI can be applied several times to add new sentences, the new KB is logically equivalent

to the old

EI can be applied once to replace the existential sentence, the new KB is not equivalent to the old.

Unification

UNIFY(p,q) = theta where SUBST(theta,p) = SUBST(theta, q)

Backward channing and FC

  • BWC
    • space is linear in size of proof
    • incomplete due to infinite loops(checking current goal against every goal on stack)
    • inefficient due to repeated sub goals ( caching previous results)
  • FWC
    • sound and complete
    • may not terminate in general if alpha is not entailed
    • entailment with definite clauses is semi-decidable

Learning From Examples

Decision Tree not a good way to represent the function because the truth table is exponentially large in the number of attributes

  • If there are no examples left, it means that no such example has been observed, and we return the majority classification of the node’s parent.
  • If there are no attributes left, but both +ve and -ve examples, which means that these examples have exactly the same description, but different classifications. This happens when
    • noise
    • not fully describe
    • the domain is non-deterministic

**Ockham’s razor.**The most likely hypothesis is the simplest one that is consistent with all observations.

Information content I

$I(P(v_1),…,P(v_n)) = \sum-P(v_i)log_2P(v_i)$

P is smaller, then -log P is bigger

$Gain(A) = I(p/(p+n), n/(n+p)) - Reminder(A)$

$Reminder(A) = \sum\frac{p_i+n_i}{p+n}I(p_i/{p_i+n_i},n_i/p_i+n_i)$

We select features with largest Gain.

  • Fasle negative: the hypothesis must generalization: C2(x) implies C1(x). C2 is to be generalized
  • Dropping conditions || add OR conditions
  • False positive: specialization. special = contradiction

Sample Size: $m >= 1/e ( ln 1/o + ln|H|)$

e = max error o = error’s probablity H= number of possible hypothesis

致 所有与我的高中有关的人和事

写过了自己的高中,也谈过了人生,虽然可能已经离那段日子太过久远了,但我想我还是得写写我为之疯狂过的三国杀,nba,和陪伴了我高中三年同学,老师,以及我的爸妈。我曾多次提笔想记下这篇文章,但想说的太多了,以至于竟然不知道从哪里动笔好。

现在,即使文笔已经生疏,即使很多事情都想不起来了,即使高考完后和许多人没见过面,但我仍下定决心要动笔,因为我不愿让这可待追忆的此情,当以后我想追忆时已惘然了。

我觉得我没必要把这段“荡气回肠”的经历写的多么文艺范,而且要把这帮无比“屌丝”却又可爱的小伙伴们写的文艺也实在是一件令人头疼的活,我能做的,也只是尽可能的把我能捕捉到的回忆复述给自己。

201

三年前零20天吧,我,一个刚刚剃了一碗帅气的光头的“花和尚”,提着大包小包,走进了标着201的寝室。第一眼,咋看上去,我似乎来到了一个温馨的像家的宿舍,这里的水龙头似乎夏天能让我愉快的唱着离歌冲凉,冬天又能给我一场飘飘欲仙的暖水浴,这里的同学们,一脸“熊”样的邓雄雄,学霸感觉的强哥,虽然黑了点但感觉很老实绝不爱看那些东西的milk,等等等等,似乎都像是憨厚清纯,钟爱教科书的好孩子,(除了那个后面有三个跟班的老大兵兵)。但遗憾的是,三年的相处之后,呵呵,也许只是那个寝纪部的始祖来的那一天之后,我才(jiu)发现,当时我的狗眼肯定是瞎了——尼玛除了第一个“似乎“之外其他哪个跟我想的有半毛子关系啊!

但是没关系,即便这里的水龙头夏天能给我一场飘飘欲仙的暖水浴,冬天又能让我愉快的唱着离歌冲凉,即便这里的同学们都是一群“淫荡的娃~”(来源:吵1.mp3 演讲者:强哥),但当我回忆起这个201的故事时,回忆起那些“淫荡的娃”的笑脸时,我真的特别特别的愉悦。

在学校睡的第一天,我结识了自称是我小学同学的家伙,余引,这货居然还是我的寝室长!!第一天,那个血雨腥风,月黑风高的晚上,我这个美美的正太不知怎么被这个猥琐的”大叔“勾搭的上了他的贼床,聊着一个经典而又高尚的话题:班上的漂亮妹子。当然,其他人,如那时还不会动不动就”我艹我艹“的胖子,如虽然呆萌状却能富有激情的朗诵毛爷爷诗句的前班长强哥,当时还是低调的把他们那颗寂寞而又躁动的心默默的珍藏着,我知道,他们内心青春期萌动的小宇宙迟早会爆发。

但我万万没想到,他们居然很快就爆发了。

一切,都是从第二天不知哪个王八羔子的一句弱弱的“你们谁会玩真三吗?“开始。从此,201开始成为一个狂欢的舞台,一个起床后十分钟都没一个人翻起来的猪窝,一个一群人挤进两个没门的澡堂扭屁股的天堂,一个让老班第一次骂人的装着”一群连猪都不如“的地方。

高三时,我们一起回忆这段”放荡不羁爱自由“的日子时,我们痛恨,悔恨,想找出那个罪魁祸首,但要我说,我觉得我们应该是起了彼此的催化剂才对,只有结合在一起时才能将自己的化学性质充分发挥~~

三国杀

那段阳光灿烂的日子里,有太多可以拿来”炫耀“的东西,有太多美好而又动人的回忆,比如那些年,我们一起玩过的三国杀。

首先我必须得声明,当我第一次把三国杀带到学校来时,我没想到它会这么神奇,神奇到带给了我们这么多东西:我们的感情融洽剂,日常生活的口头禅,以及老班的眼中钉。当我掏出三国杀时,先是被我“破处“的余引,再是学习能力超强的熊,再到小刚,再到…三国杀带给我的,不仅仅是游戏的乐趣,它让我看到袁绍,或者听到他那句“全都去死吧!”,就不自觉的浮出兵兵那狰狞的脸庞,看到技能极度弱智的许猪,就想起那个游戏能力也极度弱智的牛奶,还有千年小内的端正,打死下家不眨眼的小刚…

三国杀真正的腾飞应该是始于帷幕的建立。提起帷幕,不得不佩服中国人民伟大的创造力,而在这次工程设计中起了总设计师职位的~~~居然是被老班安排监督管理我们的春风满面,细皮嫩肉,我的小学同学兼寝室长——余引……你个寝室长不管好纪律还带着我们搞工程你是要闹哪样啊老班如果知道会不会被你这丫气死啊!

何为帷幕?此城乃天人之作也!其先取被褥数匹,以遮光且轻薄为宜,置之于床沿四方,以上铺之夹板夹之,浦沿齐整,人入内,以台灯亮之,倚远而望,竟无光,时人皆奇之,又入内如入帷幕,遂名之帷幕也。(写到奇之,名之这里时,泪流满面啊….)

印象最深的一次是星期六的晚上,有新闻说那晚凌晨会有流星雨,于是我和几个好基友索性直接玩三国杀玩到了凌晨,那晚掀开帷幕爬起来的时候,脑袋涨涨的,整个人晃悠晃悠着手脚都显得不那么利索,但推开门,一阵清风和着明朗的月光,顿时心旷神怡了许多。我们就像一群渴望登天的稚童,遥望着远处那璀璨又神秘的天空,胸中忽然涌出一阵幸福感。那晚的景象,虽然没有期待中的流星雨,但也令人动容。

时光过得太匆匆,但如今当我回想起从前在帷幕中,在课桌下,在工具间,在草坪上,在大街上,我们摆出阵势,准备大干一场的情景,肾上腺素仍然不由自主的分泌,但转眼之间,繁华褪去,当我无意中扫到某张散落在角落的三国杀卡牌时,却没了那时一起玩耍的小伙伴,也会觉得落寞。

寝室大战

我平生没有真真正正的干过一次架,但要说像黑帮或者帝国那样结盟,毁约,占领,割地,你别说,我还真干过,而且不止一次。

不记得是哪个热血青年想的主意,我们三个寝室,分别成为了三个不同的“国家“,其中203,202的实力最强,(额,也可以理解为只有我们寝室弱一点)所以自然,他们两位大佬是不会把我们这种”虾兵蟹将“放在眼里的,他们互相放狠话,打狠仗,作为一个理性的旁观者,我必须得说,虽然202有天皇这种重量级坦克,但203还是更强,不仅仅是因为他们有蔡哥,首相,和那个”被称为神的男人“这些后备隐藏能源,更因为他们拥有一个核武器——邓雄雄。。。(我会告诉你我就被这货给核灭绝过么?)。

当然,虽然我们是虾兵蟹将,但我们也有尊严啊!邻国受难,我们怎能坐视不管?于是,我们偶尔也会作为援军支援隔壁,然后会遭到敌方猛烈的进攻,但这时,我们虽然没有核武器,没有邱少云,但我们有生化武器!——milk的袜子!还是没洗的!对,你没有听错,是milk的袜子!而且真的没洗!!!但是,让我们万万没想到的是,后来不知道哪个壮士,尼玛顶着milk的袜子直接杀进来了!!!于是我们也开始参与真正的战争。。。其实这种战争也挺讲规则的,把谁按倒了谁就算阵亡,不能参与战斗,败方得割让一个澡堂给胜方,记得有好几次我和隔壁互相摸得正欢时,抬头一看,卧槽,院长这货居然在拿着杯子对着战场刷牙!卧槽,而且还面无表情!一群壮士在抛头颅洒热血我说院长你要闹哪样啊?

俗话说的好,和平是世界发展的主旋律,后来我们的寝室大战逐渐演变,或者说退化成。。。额,床战?总之就是两个臭男人抱在一起滚床单,不时传来浪叫以及加油声的那种,这其中最经典的就是阿聪和奸妹那一段very good和亚麻得了吧?(来源:吵1.mp3 吵2.mp3)

聊人生聊理想

直接想来仍觉着不可思议,一群”淫荡的娃“晚上居然喜欢聊人生聊理想。但这确实活生生的出现在了本来就不可思议的201,我们说的好听是聊人生,其实就是聊与人生有关的一切东西,上至天文下至地理,再到琴棋书画,小说游戏,还有挣钱之道,未来的媳妇,以及某某过生日时那段“X年前的今天,那个月黑风高,血雨腥风的晚上…”的无限YY…哎呀尼玛,真是什么都聊过,聊的时候思绪便好似天马行空,想到什么说什么,可惜没能记录下来,岂不痛哉!

其中最经典的就是那次卖牛肉吧,现在想想嘴角仍然会带着笑意。

容我理清下思路,我们当晚聊天的主要过程是这样的。

首先,谁说外面的书店搞活动,买书抽奖,一等奖一辆自行车!

然后,又有哪个传出小道消息,493班的一个孩子抽中了!哎呀妈呀,我震惊了!一等奖原来真真实实的存在!

于是,我们开始展开关于这辆自行车的无限意淫。

首先,我们的终极目标是帮助熊统一地球,实现他的球主梦。

这需要资金,诶亚!自行车纯人力,不耗油,不要钱,于是我们开始思考如何利用自行车来赚钱。

但首先,我们遇到了一个难题,一辆车怎么载12个人?

不知道哪个孩子说:”我们只需要两辆自行车,我看到过一辆自行车载过六个人。”那时我们图样图森破,连连称道,现在想想,你丫是在逗我啊,一辆自行车。。。怎么就。。

于是我们还需要一辆自行车,但抽奖的道路是行不通了,因为仅剩的一台自行车被抽走了。

于是我们需要资金买一辆车,此时,出现了两种方案,第一,靠阿聪的美貌赢得少女的赞助,第二,买带小刚一个肾、、、(是这样的,因为小刚被我们调戏为萎男,原因想知道的私信我,公众场合不好说,而萎男反正是萎男,切掉一个肾照样是萎男。。。)

大家一致觉得第二种方案太给力了,而且卖掉一个肾买个自行车还能剩一点钱做启动资金!

于是,我们拥有了两辆自行车,以及几千元的启动资金。我们开始计划骑车去哪。

忘了为什么我们考虑地方物价的差距了,总之我们开始考虑做倒卖生意。

于是我们得选择地点,产品。我忽然想起来前几天再贴吧看见网友的游记说朝鲜牛肉很便宜,于是我说,去朝鲜买牛肉再运回大陆卖吧!

但是大陆牛肉也不算太贵,可能路上消费都不够呢。又有人提建议去美国卖,那时我们图样图森破,连连称道,现在想想,你丫是在逗我啊,去美国怎么走啊。

但是天才的我们制定出了一条路线,北走西伯利亚,穿过白令海峡,到达阿拉斯加。在路上饿了还能杀只熊吃呢!而且冰天雪地的牛肉也不会变质!我艹,天才!

但是,怎么穿过白令海峡呢?

又有人说,熊吃了肉后还剩皮,可以把皮做成一艘船、、、给跪了。

于是我们顺利的穿过白令海峡,来到了美利坚合众国,卖掉朝鲜牛肉,入手AK47,像敢死队刺杀奥巴马,统一美国,借其强大力量占领世界,从此走上人生巅峰。。

想想还有点小激动啊,嘿嘿。

那一晚,我们直接聊到了凌晨两点。

当然,这种意淫只是我们高大上的聊人生聊理想中的一个小部分,我们还会聊聊高考,聊聊大学,聊聊以后自己的打算。到了高二下学期,当每个人都似乎懂得了一些东西之后,许多人放弃了三国杀,放弃了从前的顽劣,但依然没有放弃的。。额,是每晚一播的心灵鸡汤之201成长热线。

我们开始不聊女生,不聊游戏,我们开始谈论今天的复习,开始谈论今天刷的卷子里出现的哪个哪个坑爹的题目,开始谈论高考应该怎么做,开始谈论未来我们的路。此时此刻的我,无需闭眼,便能清楚的回忆起到那时候的夜晚,我和刘磊两个人光着身子,靠着窗台,我靠着投射进来的皎洁的月光看着刘磊的脸庞,我们说奥赛,说自招,说自己的目标,说自己内心压抑的那一部分。对我来说,那是我奥赛那段时间最快乐的时光。

起床与罚站

在每晚一播的心灵鸡汤之201成长热线,三国杀,以及罪大恶极的毒品——小说的三重侵扰下,每天早上的起床对我们来说绝对是一个挑战极限的经历。

每一天,迷迷糊糊的从梦中醒来,如果谁做了一场或血雨腥风,或奇葩无比的梦时,那货必须第一时间拿出来和小伙伴分享,当然,一般情况,我们是选择抬头看看四周,都像死猪一样再睡,于是我们继续埋头在那经典的歌声——”我真的不错,我真的很不错、、、“中再睡个小觉。

接下来,就得分情况了。

第一.”咚咚咚“,如果遇到了那恐怖到我们已经形成条件反射的敲门声,我们的第一反应就是直接从床上跳起来掏起衣服就套在身上,然后等着老班凶狠的目光盯着我们赤裸的下半身(也不一定是赤裸啦~)。

第二.当我们听到那激昂的”团结友谊进行曲“时,(自行百度听一下你们就知道了),以熊为首的懒人党会从睡梦中惊醒,附带骂一句TMD端正你怎么没叫我!然后,我们会在睡眼惺忪中以飞速穿衣,套鞋,刷牙,洗脸,有能力的还附带叠个被子(一般情况这步是被省略的),然后以百米冲刺的速度狂奔到跑操地点或者教室。一般情况,我们会刚好压线成功,然后彼此相望,会心一笑,一起欣赏老班那铁青的老脸。

当然,卢比奥都能上篮不进呢,我们也有失手的时刻。

最“潇洒“的一次是在高一,那个情深深雨蒙蒙,多少楼台烟雨中的清晨,我们集体发挥失常,虽然最后仍是在铃声中差点踏进了教室,但也只是差点,老班伟岸的身躯守在门口挡住了我们的轮番攻击,最后,我们11个人尼玛沦陷了9个,还附带了这种事情永远都会搀和一脚的神一样的男人磊哥以及我们未来的也是所有地球人未来的领袖——邓雄雄。

那天早上是语文的自习,我还记得语文老师温文儒雅的走过来,略带惊讶的看着我们一排人的样子。那里的教室现在仍然没有变,教室前的那颗开花便散发着令人心神荡漾的臭味的树木依旧茂盛着,而现在,也许也会有一群少年轻狂的孩子们站在走廊上,似笑非笑着,摇头晃脑着度过那么几个倒霉的早自习。

但那些孩子,永远不会是我们了。我们只能继续前进,便如时间一样,当未来的某一天,也许我还会走进那个熟悉的教室,见到熟悉的老师,同学,但永远不会再在睡眼惺忪中以飞速穿衣,套鞋,刷牙,洗脸,永远不会以百米冲刺的速度狂奔到跑操地点或者教室,也永远不会在某个情深深雨蒙蒙,多少楼台烟雨中的清晨,集体站在走廊上欣赏早晨的美景了。

阿聪与NBA

说了这么久,我一直没怎么提那个秀色可餐的班草(语出大哥)——阿聪。

因为他对我来说,除了同寝室兄弟的情谊之外,还牵绊了另外一种激情。他不爱玩三国杀,不爱看小说,不爱把我擦,我艹挂在嘴边,甚至他和我的性格完全不在一个调子上,但他是我最好的朋友之一。

因为他和我都无条件的喜欢nba,喜欢热火,喜欢詹姆斯。对我来说,这就够了。高三紧张的学习中,我最放松的时刻,就是和他或者再加上强哥一起去吃饭,我们聊着nba,聊着热火,聊着詹姆斯和有关他的一切。

喜欢nba,是从看杂志开始的,从初中时的NBA特刊,到高中的扣篮slam,我像看故事书一样饥渴的领略着或远古传说们的神迹,或当代球星的传奇。而我真正开始崇拜的第一个球星,就是詹姆斯。说来奇怪,不是因为他天王山最后连得25分,不是因为他的骑士连续60+胜,也不是因为他连庄mvp,而是看到2010年那个夏天他去热火后的那张海报,说的好听,是因为那眼光中透露的决心与杀气,不好听一点,可能我就是一个赢球密而已,总之,我由路人转粉。但第一年,也是我初中的最后一年,我也只是一般的粉丝,也就是比赛完特地看看他的数据,仅此而已。

我真正狂热的,全身心的爱着这支队伍,是认识了和我一样也喜欢着热火,喜欢着詹姆斯的葱,强哥后。然后,我开始刻意关注他的比赛,关注他身边的人——于是,我也成了韦蜜,成了波密,成了热密。

他们——热火,詹姆斯,阿聪,强哥,带给我那欢乐、激动的时刻实在太多太多,我想起高考完后再cctv5看到的那个热火的MV《莫忘初衷》,看到他们一步步走过来的画面,看到每一个熟悉的场景,回忆起我和阿聪一起讨论过的每个球员,每场比赛,心中忽然有种担忧:这也许是我最后一次见到这支热火了。一下子想起和阿聪,和班上同学离别的场景,那时,我的眼睛真的决堤了。

我想起他们齐聚南海岸时的凌云壮志;

想起第一次总决赛的折戟;

想起第二年老詹那眼神,他对命运抗争的45+15+5;

想起他抽筋后投进的那个致胜三分;

想起我陪着强哥去打针然后看着老詹第一次捧起那座塔期待已久的奖杯;

想起第三年荡气回肠的27连胜;

想起中间22连胜时对凯尔特人我们一起看文字直播时的呐喊,哀叹,与振奋;

想起晚上一群人借了mp4偷偷看的总决赛第六场录像;

想起雷阿伦那个救命三分给我们的惊叹;

想起第七场体育老师准许我们去图书馆看时的兴奋;

想起韦德为了救球拖着膝盖爬行时我像是在滴血的心;

想起老詹最后对卡哇伊的那计稳稳的中投以及我忘乎所以的“yes!”;

想起看到他们两连冠后兴奋的跑进教室碰到熟人就大喊“两连冠!”的情景;

想起第四年的磕磕绊绊;

想起寒假在长郡看的老詹对勇士的那计后撤三分绝杀;

想起一直期待的奥登大帝;

想起季后赛前三轮的顺风顺水;

想起第三场,第四场,第五场被吊打时我那深深的失落;

想起最后老詹趴在哈斯勒姆肩上那无助的表情;

想到我和阿聪借手机趴在床上看十几分钟nba新闻和数据的画面;

想起我看文字直播时不断刷新那焦急的心情;

想起上课时和阿聪对眼神告诉他比赛结果的喜悦或是遗憾;

想起第六场不知道结果时余引骗我说雷阿伦没进时我无比的绝望;

想起后来知道结果后那不断跳跃大声吼着yes,we did it时的疯狂;

詹姆斯,韦德,波什,和他们的球队,陪伴我走过了这高中三年,充满了起起伏伏,喜怒哀乐的三年。我爱这支球队,尽管只成立了短短的四年,但他们的詹韦连线,他们的防守反击,他们的哈林舞,他们欢乐而又毫无节操的抢镜,令我可以毫无顾忌的为这支球队欢呼,尖叫,失落,或是痛苦。也正因如此,当我晚上不断刷新最后知道詹姆斯回家后,我忽然有种怅然若失的感觉,天下没有不散的宴席,对我而言,詹姆斯巅峰的这三年,刚好和我的高中重合在了一起,而如今,都是说再见的时候了。

我耐着性子读完了他的那篇英文版的I’m coming back to Cleveland,其中有一段,我真的哭了。——I went to Miami because of D-Wade and CB. We made sacrifices to keep UD. I loved becoming a big bro to Rio. I believed we could do something magical if we came together. And that’s exactly what we did! The hardest thing to leave is what I built with those guys. I’ve talked to some of them and will talk to others. Nothing will ever change what we accomplished. We are brothers for life. I also want to thank Micky Arison and Pat Riley for giving me an amazing four years.

那时我忽然想起阿聪,想起强哥,想起我们一起追他们的日子,就像文章中的,The hardest thing to leave is what I built with those guys. I’ve talked to some of them and will talk to others. Nothing will ever change what we accomplished. We are brothers for life.但是,詹姆斯回家了,而我们也飘散在了天涯,去追逐自己的梦想。

我一直在遐想着,有一天,我能和阿聪,和强哥一起,飞向迈阿密,看一场骑士和热火的比赛,我可以闭眼感受那里的hot white是怎么的魅力,我想看一看已经老了的詹皇和韦德,我想在那里回忆起我高中时为之疯狂过的热火,也回忆起那时候一起走过的时光。

这是我现在唯一的实际的追求,但也是我一直渴望的追求。

但愿,当我飞向迈阿密的时候,老詹还没退役,而我还能联系到阿聪,强哥。

动力火车

莫忘初衷

作词:颜玺轩
作曲:Buxton、Sarah、Shaw、Victoria Lynn、Burr Gary Scott

我懂你真的累了 不想多说什么
忘了在你眼中 世界曾是彩虹
朋友就陪你沉默 看车水马龙
看没星星的夜空 you never alone

你好久没说梦想 说到眼睛发亮
不可一世的笑容 连我都被感动
我们说改变世界 却被世界改变
记得你要我提醒 别改变太多

莫忘初衷 莫忘初衷
别忘那一年 那一天出发时心中的梦
难免会受伤 注定要心痛
别忘了还有我老朋友陪你
you’ll never alone

这些年如何走过 点滴都在心中
人生这一杯酒 滋味已经尝够
每个人都不容易 但也都走到这里
我们就看看命运 还要安排什么

莫忘初衷 莫忘初衷

别忘那一年 那一天出发时心中的梦
难免会受伤 注定要心痛
别忘了还有我老朋友陪你
you’ll never alone

老鹰该展翅飞翔 怎能安于鸟笼
天空还很宽敞 还在等待彩虹
等雨雪风霜经过 梦才能成熟结果
就干掉这杯酒 敬有始有终

莫忘初衷 莫忘初衷
别忘那一年 那一天出发时心中的梦
难免会受伤 注定要心痛
别忘了还有我老朋友陪你
you’ll never alone
you’ll never alone
别忘 还有我 老朋友 陪你
you’ll never alone

刘磊

刘磊初看时显得十分古怪,瘦小的个子,糙黑的皮肤,颇有点农汉的感觉,但一双水灵灵的、睫毛长的吓人的眼睛却是勾去了无数少男少女的魂儿,而健壮的右手似乎又暴露他一点什么东西。

因为谐音,我们称他为牛奶(所以来到HK之后我的L,N发音一直被吐槽,原来我们湖蓝人一直都是这样的。。我居然一直以为我的普通话好标准诶~),又或叫一个高大上的英文名——milk。他和我的性格比较像,粗犷的外表和为人处事下隐藏了一颗感情丰富而又渴望胜利的心。

和余引睡觉的第一晚,我们三人便头靠在一起讨论班上哪个女孩子给你一种惊艳的感觉,而没想到,我和牛奶居然都说了同一个女孩,但也只是互相附和,没上升到情敌的高度啦~当初年少轻狂,说来也不怕丑,开学不久我作为团支书要发学生证,上面有每个人的相片,刘磊这厮在宿舍时想要看那女孩的照片,我当时不知哪根筋倔起了,愣是不给他看,万万没想到,TMD牛奶那贱人居然直接跑到我床上对我实行武力封锁!(当然目标只是抢到照片而已,没有发展为实质性的毁灭打击)要死要死要死,他丫仗着比我多点肌肉,把我按在床上…而当时我床上,准确的说是我后背靠近屁股的地方有个橘子啊!!!靠,橘子光荣的牺牲,璀璨的绽放在我的衣服上,我居然居然居然被爆橘了!!!!!!!!!!!

这些只是生活中经常发生的小插曲,但在我看来,正是这些小插曲交汇在一起,在成了我高中生涯中不可缺少的一部交响乐。

他玩游戏很渣,三国杀只会玩最简单的许猪,拳皇又总是在乱按,他也对nba提不起兴趣,尽管他知道几个叫科比,詹姆斯的家伙,但他仍然可以称得上我的挚友。他在我开玩笑的时候会继续把玩笑开下去然后我俩一起哈哈大笑,他会在我们看那些东西的时候积极的冲上前来津津有味的欣赏着,他甚至会在我们调戏他的时候仍然笑着。

但我把他当挚友,绝不仅仅是因为这么一点东西。

我把他当挚友,因为他是个实实在在的好人,他不会计较我说的某些很刺耳的话,而且会经常帮我解围;他还是我的一个动力,不断鞭笞着我向前,不论是奥赛还是高考;更重要的是,他是我的知己,他能猜出我下一句是什么,他愿意听我那看似不切实际的梦想,愿意毫无条件的接受我内心的脆弱。

当然,我也会在那些寂静的夜晚,听他的梦想,听他的苦衷,听他的人生和理想。但我不能完全做到像他那样,我会为了别人某句尖刻的话而斤斤计较,我甚至会因为他或者某个竞争者的进步而坐立不安,正因如此,我敬佩他。

我曾和他睡在一张床上,枕在一个枕头上,我们聊了无数遍的人生和理想,但似乎永远聊不烂,可能是因为他和我有太多的相似的地方,都选择搞奥赛,搞自招,都想着为自己的家人争一口气……记得一次的作文,他写他的父亲,老师让他当着全班当范文朗读,那是他的作文第一次当做范文,他开始读,然后声音出现了一点颤抖,在然后哭了出来,最后一边读一边哭…平时大大咧咧的milk,竟也有那么柔情的时刻,但说到自己的父母,谁不会呢?我看着他当时的背影,想起以前夜话时他那坚毅而又充满向往的目光,对他愈发钦佩。

但也有那么一段时间,由于我自己的原因,我和他甚至不曾讲过话。自强计划之后一直到自招结束那一段时间,内心的压抑,再加上刘磊这丫有自强计划而我丫的没有的强烈反差,我自然而然把矛头对准了和我同班而且比我还屌丝的milk……好吧,原谅我的自私,但那段时间,我真的很敏感,很讨厌听到刘磊任何一句与自招有关的话语。

想到这,心中忽然有一阵火辣辣的愧疚,那个陪我玩耍的男孩,那个陪我一起计时刷题的男孩,那个和我一起追逐梦想的男孩,在我最失落的时刻,被我忽视,甚至被我孤立了。

以前我一直不知道该怎样定义我和刘磊之间的情谊,直到我听到了那首震撼我心灵的歌——天高地厚

你累了没有 可否伸出双手

想拥抱 怎能握着拳头

我们还有很多梦没做

还有很多明天要走

要让世界听见我们的歌

准备好没有 时间不再回头

想要飞 不必任何理由

不管世界尽头多寂寞

你的身边一定有我

我们说过不管天高地厚

想飞到 那最高最远最洒脱

想拥抱 在最美丽的那一刻

想看见 陪我到最后谁是朋友

你是我最期待的那一个

可以一起闯祸一起沉默一起走

可以一起飞翔一起沦落

不管天高地厚陪着我

陪我一起大声狂吼

想飙到 那最高最远最辽阔

想唱完 那最感动的一首歌

没看见 那天高地厚不肯放手

因为我有我想要的朋友

你是我最想要的朋友

未来的路还有很长,我不奢求还能碰到一个如刘磊一样的朋友,我只希望未来,我仍然能和他一起不知天高地厚。

熊是一个极度逗比但却逗比的可爱的人。一个浓浓逗比气息的名字——邓熊熊,一张真心像熊的脸,一个放荡不羁的逗比梦想,和一些标志性的逗比动作,这些全部整合在一起,却显得那么可爱。毫不夸张的说,熊可以说是老少男女通吃的神人,他可以和每个人相处的如胶似漆,也许这真是作为地球球主的天赋?

熊第一次闪耀全班是在我们的第一次班会上。班会的主题和简单却又十分高大上,是个我聊了三年还聊不过瘾的话题,但却被熊一节课讲述完并为之努力YY的——聊梦想。初三进高一,都是14,5岁的小屁孩,可能大学就知道清华和北大,谁能有一些如“匈奴未灭,何以家为”的大气凛然的梦想?无非就是当医生,当科学家的陈词滥调(由于走了俗套,我甚至忘了我自己当时所想的梦想是什么了….)。但有一人的梦想,却令全班哗然,令老班难得的微微一笑,却道此人是谁?

曰:其气皆为龙虎,成五彩之邓雄雄是也。虽然我们哄然大笑,但熊却显得异常认真,他陈述着自己的计划——一.凭自己的人格魅力做邵阳黑帮老大的女婿,二.凭自己的人格魅力搞定整个湖南,三凭自己的人格魅力统一中国黑帮届,四. 凭自己的人格魅力推翻GCD统治,统一中华,五. 凭自己的人格魅力…好吧,这里没这一点了,凭自己天才的军事素质,…(此处省略一千字),总之,最后一步他噼里啪啦的说了他统一世界的作战计划,那架势,那激昂,那飞溅的口水,仿佛他已经是世界大战的总指挥,正在指点江山,运筹帷幄之般。

每个孩子班上可能都会有那么一个人——整天无所事事,游手好闲,吊儿郎当,嬉皮笑脸,但却被班上的同学公认为智商最高。

对,也许你已经猜出来了,在我们班,这个人就是邓雄雄。我的学习能力在他面前只能是战五渣——他只需看一遍三国杀的说明书就TMD水平和我这玩了两年的老油条媲美。我的记忆能力在他面前只能是战五渣——他草草过一遍我的NBA杂志就记住了各种远古大神,他只需用一个早自习便背了一篇英语课文,而我花三个早自习还在默默流泪。我的持久能力在他面前只能是战五渣——他晚上看小说可以到凌晨两点,第二天起床照样生龙活虎,老师讲课似乎也听的津津有味。最尼玛坑爹的是,他就算再怎么颓,成绩还是稳居全校前百,高考尼玛还是610+…(高三我和刘磊就经常拿这个调侃整日用功读书,堪称五好青年的廖老板。。。亲爱的廖老板,真的请原谅当时我的懵懂无知。。额,不知道说什么好。)

但对我而言,他智商高不高关我屁事,之所以让我花这么笔墨写他,是因为他和我一起玩过的三国杀,一起聊嗨过的寝室夜话,一起谈笑过的历史和一起迟过的到,或者说,真的是因为他的人格魅力?好吧,我觉得应该是的。现在想想,那时玩三国杀时他爽快干脆的笑声,他眼睛眯成缝的表情真是魅力四射啊!

庆幸我和他在一个班,一个寝室,这样我也能做着“一人得道,鸡犬升天“的梦——指不准他真当了地球球主呢?

7215

高三,由于实在忍受不了胖子的鼾声,我搬到了7215,首先,我必须得感谢他们:大逼,磊磊,高武,他们在我最落魄的时候笑着接纳了我,让我有一个安静的空间学习,思考。

大逼是我们的寝室长,他有责任心,他会把寝室事务管理的井井有条,但有时候会被心情不好的我片面的解读为爱管闲事。他很单纯,他不看那些刘磊最爱看的东西,不会计较别人的过错,也不会在背地说别人的坏话,他会因为某个笑话而肆无忌惮的大笑,他会主动为别人打抱不平而不论后果。他也会体贴每个人,记得我得知自己最后自强计划被刷下来的早晨,我冲到寝室抱着枕头一直哭,是他在旁边安慰我,鼓励我,虽然对当时的我无事于补,但现在对他,我只有感激。

然后到了我的管家,高武了。他是高二来到我们班的,一开始他孤僻的性格加上奇葩的声音使他看起来很不合群,还经常被我们201耻笑…后来他坐到了我后面,可能由于我看他老实吧,他成了我管家,帮我打理琐碎事务,说来惭愧,作为我的管家我愣是没给过他工资。(后来玩开后笑萍一直拿这个怂恿高武,搞得后来他越来越不老实了。)高武是个胸有大志的人,但他的志向从来不会告诉别人,我还是在他的本子上看到密密麻麻的笔记才知道的,因为那笔记只包含了四个字——武定中原…霸气!同样的,他也不会说出自己的心事,我知道他有心事——他的家庭,他的前途,他的成绩,但他一概不提,他总是一个人憋在心里,他会午睡时一个人孤独的成四十五度角仰望窗台外明朗的天空和远方如中国画一般墨绿的山峰,他会睡觉时翻来覆去思考与他有关的一切事,他会在他许多很“非主流”的本子上记下他所思所想,这也许是他的思考方式吧。

额,在这里研究他的心理似乎有点不厚道,不说这方面了。

高武不善言辞,很多时候都是默默的承受,还是我最压抑的日子,他从没鼓励我什么的,但高考完,小姨问起我我们班有没有人名字里有个武,那时我才知道,原来高武一直发短信给我小姨,让我小姨来安慰我。听完我内心诧异了许久,原来那个呆呆木木的高武也会关心人诶,原来世界上还有许多人挂念,关心着我,这种感觉真是别样的幸福。

最后是磊磊。我见过的最屌丝的人,没有之一。怎么说呢,仿佛屌丝这个词就是为他量身定做,所有特征在他那表现的惟妙惟肖,哎,屌丝实例太多,乱摸女生脸,上课东摇西摆,一副“你咬我啊”的屌丝样以及那如日语一般的英文…(我们物理老师的音色和磊磊太像了!还夹杂着一股浓浓的粤语腔…)。但除了屌丝,磊磊还是一个真好人,别看他平时吊儿郎当,一副欠抽样,但每每有什么要他帮忙或者让步的,不论男女,往往撒个娇就能完事,嘿嘿,这样写出来似乎感觉不太对,但总之,磊磊除了长得屌丝了一点,行为屌丝了一点,语气屌丝了一点,性格屌丝了一点,其他的还是挺有男神风范的啦!

在7215最后那点高三的时光里,我们不像以前211那样嘻嘻哈哈,我们晚上会点灯自习,会在即将熄灯时才跑到寝室然后冲一个痛痛快快的凉水澡,会在考试后大骂某个坑爹的科目但绝不讨论答案,会在高考前,高考时互相加油,互相支撑,真的很庆幸除了玩乐,我还能碰到这样一群人。

495

同学的部分就这样结束了。忽然有很多不舍,我还有好多人,好多事没写出来,我还有好多人毕业晚会没来得及拥抱,现在就见不到他们了。

我还没写那个课间操剪女生头发还跑过出告诉她”你好,我剪了你的头发“,套着两双袜子穿着拖鞋在大雨天里的外场打篮球的神一样的男人。

我还没写军训时打电话给老班”我被锁在了寝室里面“然后老班来开门后直接收了手机的憨厚可爱的阿黄。

我还没写那个爱哭,爱猫,爱495的好孩子芙哥。

我还没写那个陪我一起想值日报告稿,一起打篮球,一起三国杀,但从不看刘磊爱看的那玩意的睡在我下铺的兄弟蒋少。

我还没写后宫佳丽有一摞子,最爱唱汪苏泷,夸赞阿聪“秀色可餐”的真女汉大哥。

我还没写那个每天被我摸无数次的爱和我拼卷子,唱哟哟的人见人爱的和磊哥有个纠葛的闭月羞花的小鸡进行曲主演奸妹。

我还没写被我跑去问N次问题的高考完还嫌我字变丑的三大女强人之一——班长大人笑萍。

我还没写一来被我当成是老大,最爱选袁绍的三国杀好基友兵兵。

我还没写那个脑子有点犯二但却认真负责,经常神经质去燃烧却总是失眠的院长。

我还没写那个我最亲切,最尊敬,认为最会体贴人,自我介绍时一念名字全班笑喷的英语学霸,三大女强人之二——菜。

我还没写坐在我前面的是、刷了不知道多少题的三大女强人之三——小周。

我还没写当年和我一起搞物理的体育课老喜欢光膀子的澡堂离歌主唱——奔腾马

我还没写那个一直想当医生的总是认为要和奸妹比字的洗头发后好漂亮的大哥贵妃之一马晓宇。

我还没写高二第一天来时知道也姓李后被我亲切握手慰问的值日报告总是富有创意的作为男生英语还那么好的丧尽天良的涛涛。

我还没写总是挂着笑脸的“第二组专用贴吧”的创始人,被我哥说外号太掉节操的小三。

我还没写那个被我和刘磊猜了无数次也猜不透的(刘磊怎么总是躺枪……)有时候挺烦人的经常被奸妹调戏的余丝。

我还没写越来越漂亮,总是被余引和奸妹逗笑还一笑就笑的花枝乱颤,英语偶尔能逆掉笑萍和菜的语文也强的不正常的娟娟。

我还没写也要当医生的像梁朝伟像郭富城但我觉得最像成龙的被隔壁班女生问名字的准男神宝宝。

我还没写和我同姓的低调男生但俯卧撑轻轻松松的电脑爱好者李伟志。

我还没写做我前面老喜欢留一头美得没话说的贵妃头的真淑女李li(这字太难打了吧?)

我还没写打篮球防守强的一逼但投篮比我还渣的小说狂魔海林。

我还没写三国杀技术不行但总是当内奸所以绝不会坑队友的数不清有几部手机的可信度为负数的小说疯魔端正。

我还没写总是一口我艹我艹,我们当初还瞎了狗眼给他过了哥极度浪漫的生日的小说痴魔——胖子肖海博。

我还没写被我们调侃萎男后面一直想证明自己却没机会的总爱盲狙下家的小刚。

我还没写……

但就像海格最后对哈利波特说的那句话:“该来的总是会来。”有许多东西我们必须面对,而留下一点缺憾反倒使这整个过程看起来更加完美。我曾经因为愤怒横跨半个教室把书砸向熊,曾经把海林推倒到垃圾堆旁边,还曾经和胖子为了某个问题争的面红耳赤,我不会否认这些我冲动的产物,因为我觉得有这些缺憾才使得我们一起欢笑的时光显得那么弥足珍贵。

但我一直后悔一些事。

我后悔高一拍的那张我们一起啃鸡腿的相片被人给删了,如今我想找回却来不及了。

我后悔我们一起在走廊罚站的时候没叫老班给我们来张合影来祭奠我们那段阳光灿烂的日子。

我后悔高一高二玩的太嗨以至于基础太渣让我高考理综给跪掉。

但我最后悔的,还是毕业晚会的时候没好好的拥抱一下每个人,给他们一个最灿烂的微笑和最最最真挚,最最最发自心底的祝福。

而现在我必须得告诉你们,我爱着你们,爱着所有和495有关的一切。

惟愿此心无怨尤

我也许永远不会忘记高三最后我整日反反复复念叨的那句:惟愿此心无怨尤,惟愿你能坦然一笑,道一声“我愿意”。但我不得不承认,喜欢它,是因为那隽永的文笔获得了阅卷老师的青睐,而我一直渴望的,不是什么高深莫测的惟愿此心无怨尤,而是阅卷老师的青睐,也就是说,什么我愿意啊,都是扯淡,只要能让阅卷老师“爱上”我,哪怕让我骂自己是王八,我估计我也“愿意”。

换句话说,我那时所美名的“诗意的生活”,是不纯粹的,因为那夹杂了一点功利。

但如今,当我无意间再次诵出这句话时,我似乎能感受到一些这平凡文字背后不平凡的东西。可能是看完明朝那些事之后的幻象,但我确实看见了无数“迂腐书生”在国家危难之时的担当,从“诛十族又何妨”的方孝孺,死谏严嵩的杨继盛,到临危受命的于谦,他们身上似乎展现出一股令人敬佩的力量。那分明是本心的力量。我也听见了大厦将倾之时无数仁人志士真切的呼唤,他们呼唤正义,呼唤尊严,还在呼唤所有民众,对于本心的坚守。

至今仍记得六月那次我写的最后一篇作文:心在哪里,风景就在哪里。我写到,“我以我心绘风景,风景迷人因我心。”但如今当我回忆那篇我从前自诩“激扬文字”的文章时,我只有羞愧。我按部就班的,首尾呼应,分论点,甚至为了防止跑题,我每隔一两行就加“风景”二字。我的本心,随着那整篇的空话,套话一起,被禁锢了。这不是高考的错,八股文中的状元们都能从孔夫子的几千字中采摘若干文字来完美的表达自己的思想,为什么我不行?

因为我太小心了。我害怕作文跑题,害怕开篇不是凤头,结尾不是豹尾,害怕得不到阅卷老师的青睐。我也功利化了。我不再是那个给我一百元我就买两百包麻辣的顽童,不再是那个肆意嬉笑无忧无虑的少年,不再是那个追问为什么别人不能穿新衣服而我可以的“公平”主义者。在这个纸醉金迷的社会,我光荣的“沉沦”了。我开始在意得失,开始计较我分得的蛋糕是否少一些,开始抱怨世界的不公。其实客观的说,正常地追名求禄无可厚非(顺便吐槽一下,现在我一看到无可厚非啊,曾几何时啊这种以前读了n遍的成语就自觉的肾上腺激素分泌加快,怎么破啊怎么破。。。),因为许多人是出于一种对家庭的责任,他有令家庭衣食无忧的责任,因此他必须追逐利益。就像那句歌词:生活像一把无情割刀,改变了我们摸样。我能理解。我不奢求能有戚继光“封侯非我意,但愿海波平”的义薄云天,不愿成为像于谦,海瑞那样的人—-尽管青史留名,但家人也受到牵连乃至付出生命,我做不到,我也理解但不能完全做到道德经中的“无私及大私”。但我希望,希望我在追逐功利的每一刻,都要考虑自己内心真正的想法,而不是为了虚荣心,为了“出人头地”去斤斤计较,那样的生活真的太累。我希望当我有能力为这个社会做出一点好的贡献时,我能义无反顾的投入进去,这个社会需要年轻人的担当,便如柳宗元那句“少时陈力希公侯,许国不复为身谋”。我还希望我能有时间,精力以及决心做一做自己想做的:或是带着背包浪迹天涯,或是去克利夫兰,迈阿密感受那曾经为之疯狂的记忆,或是用真心换得一个能与我共度余生的姑娘,十年一盈握,脉脉两含情。

很快,我就要步入香港,这也是我一直思考但又不敢直面的话题。但我知道我必须面对。不可否认,很快,我将面临各种各样的挑战,语言,文化,思乡······但不论如何,请记住:惟愿此心无怨尤。我知道我的内心是渴望充满挑战与激情的生活,而香港就是那个提供给我的平台,因此奋斗才应是我的主旋律。同样的,如果未来,在权衡了文化,经济等各种因素后,如果你的内心实在不能适应那里,大胆的回去,便如刘丁宁一样,不要考虑什么面子,遵从自己的想法,便是最大的“面子”。

最后,我想引用当年明月的结尾:是的,这就是我想说的,这就是我想通过徐霞客所表达的,足以藐视所有王侯将相,最完美的结束语:成功只有一个——按照自己的方式,去度过人生。

未来,当面对什么难以抉择的事物时,请再复述一遍:成功只有一个——按照自己的方式,去度过人生。

​ by LI Wei

我的高中

这算是一篇自传,也可叫随笔。只是想记下我的记忆,免得以后的我想以后的我追忆这段似水流年时却没了样本。

第一章.炼狱

​ 高三三年,当写下这四个字时,不免打了一个寒噤。这真的已是三年。

​ 每个男孩都有一段叛逆期,都有一段年少轻狂的岁月,都曾有一颗渴望烈酒豪肠、向往“笑入胡姬酒肆中”的心。于我,那段岁月停留在了高一和高二的上学期。

高三我很喜欢做的一件事,便是和曾经与我一起“狂欢”的少年比较谁的过去更“疯狂“,一来回忆那时时光给自己一个消遣放松的机会,二来勉励自己:你已经完成了蜕变,你已足够优秀。那时的我和我们,可以前天晚上玩三国杀到凌晨,第二天展开“百米冲刺”;那时的我和我们,可以捧着一碗老坛酸菜牛肉面,然后到寝室杀;那时的我和我们,为了看热火的王朝宁愿逃课;那时的我和我们,可以肆无忌惮的聊着本班外班的女孩,痛骂着老班的卑鄙无耻。我便如一个“堂吉诃德”式的自以为是英雄的傻瓜,吼着众生平等的口号,高昂着头颅,嬉笑怒骂着朝着无尽的深渊走去。

后来的日记里,我曾说那是“行尸走肉”的生活,但又如我另一篇日记中说的:我不能对曾经的我做出任何评价,那是我自己选择的道路,所造成的遗憾也只能由我自己承担,由我自己努力去弥补。

也许,我所痛恨的过去的自己,也会嘲笑现在这个“书呆子”的我。

第二章.光荣之路

硬要我说出我什么时候开始努力的,很遗憾,我实在努力地翻遍我的记忆,却仍找不到那个确切的时间点,可能是高二上学期的期末我为夺平板努力一星期便重回第一时那种成功的美妙勾起了我的好强的心的渴望,可能是后来发现自己与刘威的差距时我那颗不服输的心的觉醒,也可能是自己长大了吧,明白有些东西错过了,是确确实实的挽留不来的。但不论怎样,我真的很感谢那时的自己,让我在那条通往深渊的道路上没走太远,让我重新觉醒,让我有时间卷土重来。

高二下学期,对我而言,才是高中真正的开始,才是一个不屈少年真正腾飞的起点。

我必须感谢上苍,让我拥有卓绝的天赋,那个学期,我重回数学奥赛,并第一次就进了全校前三。时光飞速的流转,一会儿,便到了暑假。在长沙补了半个月的奥数、奥物,我回到了学校,那时的我告诉自己:我是一头狮子,而一颗狮子的心绝对容不下一条小狗的目标。

那个暑假,注定令我刻骨铭心。

我只需列几个数字,便能证明我没有白费:从六月到九月,三个月的时间,我完完整整写完了六本书,重新看了三遍,我做了超过三千道奥物题,以至于后来在长郡补习自主招生时我只需看一眼题目便知道它考什么、怎么做,我看完了大学的普通物理学、高等数学,自学了微积分,罗比达法则,我一天到晚就坐在座位上12个小时,人生第一次起了坐疮。当从前天书般的题目如今被我秒杀时,当一堆草稿纸被我刷完时,我回首,发现这条路上熠熠生辉。这是一条光荣之路。

九月,全国中学生物理竞赛。那时的我豪情壮志,自认为100分不再话下—-而前一年的一等奖分数线只有70分。但我的人生,着实不会一帆风顺。考过那次的同学都知道,那次题目出的特别怪,居然有一道学考难度题,两道高考难度题。考试时,我真的不敢相信,我是在考物理竞赛!怎么会那么容易?于是,我想的过于复杂,于是,我与一等奖失之交臂。虽是全校第一又有何用,与二十多分的同学拿同样的奖项,那是怎样的压抑?

但时光不断的鞭笞着我前进。我又要进入新的征程—-

十月,全国高中数学联赛。哪意味着我得忘掉我学了三个月的奥物,意味着我得接触基础基本为0的奥数,意味着我得振奋精神,重新奋斗。一个月,我从刚开始时数学组的倒数,到前三,再到最后几次模拟考稳居第一,nothing is impossible,我告诉自己。

我的信心便是那时开始建立,我第一次把目光投向了那个最高学府。考试前一天,我给袁星驰打了个电话,我已记不起具体内容,只知道本想放松心情的我反而更紧张了。至今忘不了那个如噩梦般的夜晚,我在蚊子的纠缠声中翻滚,在一个人的恐惧中逐渐被黑暗吞噬,那时的我多么想给Cai,201的弟兄,或是大B,余丝打个电话,但我一遍遍的翻完电话录,找不到。第二天的考试,令人奇怪的,我竟毫无睡意,后来的高考,我告诉自己:即便前天没睡又能怎样?

奥数回来,已是十月。我真正开始为高考做准备,尽管只有两百余天,但我似乎多了一份坦然,我只是平静地、努力地沉浸在3.2、5.3中。那是一段值得骄傲的历程。曾经我通宵的三国杀,沉迷过的DNF、cf,乃至于吃饭排个队,都显得那么奢侈。我尽自己最大努力去变的优秀,只是我知道我本应优秀,我拼了命的想抓住每一秒,只是我想弥补我留不住的时光。然后,我搞完奥赛第一次考试,全校第一,那种证明自己的感觉,现在想来,感动依旧。我真的很佩服那时的自己,不论结果。

第三章.低谷

“时运不齐,命途多舛。冯唐易老,李广难封。屈贾谊于长沙,非无圣主;窜梁鸿于海曲,岂乏明时?”起初读这些文人骚客只是觉得文采飞扬,直到自强计划之后。到那时,我才真真切切地体会到他们那颗命运不公而奋力呐喊的勇敢的心,那片穷困潦倒而绝不彷徨的坚强的身,要拥有这些,是需要何其大的意志力。

其实在物奥时,我的目标便是袁星驰加55分的那个自强计划—–我很清楚那时我是那么地接近,那么地触手可及,而奥数之后青云直上的高考成绩更是给了我信心,我是学校的第一人,我可以,也应该成为自强计划的提名者。曾几何时,那时教科室主任已把清华的报名表交给我填写,我也自认为理所当然,其实每个人都认为理所当然。可直到报名截止的最后一天,主任突然找到我,然后告诉我我不能报名,心里顿时千万只草泥马在奔腾啊!一下子觉得自己好似13年那支最后领先5分的马刺,天也?命也?城市户口,仅仅这四个字,便似乎将我与清华的大门那样无情的隔开,那个上午我干了什么我早已忘了,我只记得那天是我高三唯一一次哭。原谅那时我的脆弱,但我实在承受不了,奥物、奥数、高考都是全校第一的我为什么与自强计划无缘?让我填表、打表浪费了一星期之后最后一天忽然告诉我我不符合资格?既然城市户口不能报为什么搞奥赛前没一个人告诉我?五个月的光阴,似乎都废了……

那段日子,我前所未有的压抑。一种被欺骗、受委屈的感觉一直堵塞在我心中,这个心结,一直到自招结束,始终没能打开。

第四章.高原期

为了准备自招,我在长郡度过了一个寒假。在那,认识了可能是省状元的学霸们,也认识了一中那几个佼佼者。后来自招考试与他们相遇,真是别样的欣喜。

华约自主招生考试,我是满怀信心去的。不是什么自己的YY,只是在长郡补课的一个月,我认识到自己完全有实力冲击清华—–在长郡的自招模考中,我排进了前三,数学更是长郡的第一,而长郡一年有十余个能获得加分资格。但,又是一次不如人意,这里那里的失误让我只打了130,清华分数线150多。不幸中的万幸,我还是过了浙大,20分。

当我再次回来搞高考时,已是满目疮痍。十天前你仍在长郡“爆”了一帮大神,风华正茂;现在却又得回到高考的战场默默感受这没有硝烟的血腥。我无力地看着落了这么多的作业、资料,对于“重拾旧河山”的无能为力溢入胸怀,我的一切斗志,似乎随着接二连三的变故而消失散尽了。

随后的二模,让我最后一点仅存的幻想也破灭了——592,我第一次没上600分。第四名,我第一次跌出前三。我看着充满各种低级失误的卷子发呆,往事一幕幕如电影胶片般浮现。那时的我就是那样,凭着对过去的无限追悔来汲取养分,却又异常害怕地回到现实,回到令人窒息的高考复习中。我知道,我是进入高原期了。

第五章.涅槃

很庆幸我的高中留下了这一章,真的很庆幸。

在NBA里流传着这样一句话:永远不要低估一颗冠军的心。我想放在这里很是应景。

高三,不论是多么黑暗的日子里,我从未想过放弃。这次考试没考好,为什么?哪里出问题了?自招没过,又如何?裸考又怎样?我一遍遍地翻阅着错过的试卷,一遍遍地总结反思,数学,英语,理综,语文,本已全盘死机的我正逐步恢复。

但我真正地复苏,是我对于成败有了更深层次的认识后,准确地说,是我真正了解苏轼之后。提起苏轼,每个人都会想到那个高唱“大江东去”的豪放诗人,但有谁知晓他的人生遭遇?他22岁登进士科,28岁登制科头等,被皇帝预定为未来的宰相……然而,乌台诗案,被贬黄州。

曾经的风光得意,如今的落寞不堪,但他从未颓唐。滚滚长江东逝水,历史奔腾而下,人们忘记的,是皇帝“才与李白同,识比李白厚”的评价,是他乌台诗案的冤屈,人们铭记的,是他“十年生死两茫茫”的铁骨豪肠下藏着的款款柔情,是他“谁道人生无再少”的漂泊的身躯下那颗坚强的心,是他在西子湖畔留下的苏堤春晓,六桥烟波。

在我极度失落的时候,翻开历史尘封的画卷,我才体会到,我的人生正是因为这些缺憾而完美。当年明月说,苦难,往往是辉煌的开始。郑和八岁作为战俘被阉割,朱元璋从小便失去双亲皈依佛门,詹姆斯小时无依无靠,卡哇伊16岁时父亲被枪杀,程浩的病危通知单厚达二十厘米······比起他们,我所受的磨难显得那么微不足道,他们尚未放弃,我又有什么理由颓废?历史给了我鼓励,那是一种难以言说的神圣的力量,我似乎体会到“安能折腰事权贵”的那份飘逸,体会到“怀帝阍而不见,奉宣室以何年”的那份无奈,体会到“人生如梦,一尊还酹江月”的那份洒脱。的确,穷且益坚,怎能坠青云之志?而尽吾志尚不能至者,其谁又能讥之乎?

当我真正想清楚这些东西时,周遭的一切忽然那么阳光,这些与我相处到朝朝与暮暮的书籍又变得那么亲切,每个朝夕相处的同学的笑脸又是那么灿烂。然后,我又开始享受这曼妙的时光。

我明白了,生活是否幸福,完全是自己的事,何必要为他人的评价所累?我的人生,我的幸福,只能由我自己主宰,没有人能取缔。

第六章.尾声

最后两个月,再次想起来,真是飞一样的过去了。甚至现在连高考,都过了一个星期。我也逐渐从高原期恢复过来,便如JAMES摆脱了2011年总决赛的那个自己一样。590,610,620,630,640,650,最后几次考试,我领先了第二四五十分。一切便如水到一般,于是渠成了。

最后的高考,我带着微笑、自信进入考场,没有遗憾,没有失望,因为不论结果,至少我尽力了。当我蓦然回首,这条灯火阑珊的小径,不说大起大落,但也充满了欣喜、痛苦、张扬与失落。去年的高考,我站在门外,痴痴地看着门里那群令人敬佩的高三学长,今年高考,同样的地点,同样的人山人海,不一样的,是我的心情,我也痴痴地看着门外那片蔚蓝到令人动容的自由的天空。时光机器带着我一下子回到从前,一下子又跳到未来,那时在一中校门口静静等待大门打开的我看着这熟悉的画面,忽然有种“去年今日此门中,人面桃花相映红”的别样的感觉。

门开的瞬间,我飞般的冲出校园,只为了呼吸校园之外的那一抹空气,一切都显得那么美好,岁月还是静好,现世依旧安稳。

没有高三的人生真是不完整的,我想,每个高三学子都是可敬的,他们经历了那么多失败、打击,但面对生活时,他们都选择了微笑。高三,我学到了不只是课本里的知识,我还明白了,人生,不是一场非输即赢的拳赛,那本是一次快意的品茗。

送各位一句话:是非成败不问,浓淡冷暖自知。

后记:

当我重新回顾我的高中时,虽只过了几天,却好似一年。

时光谢了春红,太匆匆。高考前的那段日子,我曾无数次的幻想着暑假、大学阳光的日子,但当我真的有能力拥抱、触摸、感受这段那时被我称作“天堂”的日子时,我发现高中是多么的令人流连。

犹记得高一开学的那个艳阳天,那个在我们的值日报告中被回忆了无数次的日子,但当我如今,作为一个准大学生,重新回忆时,却是别样的情怀。忽然间,当我不能与熊、奸妹偶尔扯扯时,当我一早不用狂奔害怕迟到时,当我不能和小周讨论理综时,当我不再要问笑萍、cai英语时,当我不能习惯性的和每个495的同学问好时,我才发现,我毕业了,那些与我朝夕相处、共同奋斗的同学真的不在我的眼前了,真的以后可能见不到了。那每一张熟悉的笑脸,每一个可爱的外号,每一段“潇洒”的历史,都随着高考的结束,随着那被撕碎的书本一起,散落在了天涯。我不知道这种失落会持续多久,但我知道,这段回忆,是那么真切地、永远地刻在我的心里,我忘不了那时我们一起“帷幕”的日子,忘不了曾经调侃老班的日子,忘不了一起罚站的日子,忘不了一起追过的NBA、热火、cs、魔兽……

辛夷坞写过,“青春就是用来追忆的,当你怀揣着他时,他一文不值,只有见他耗尽后,在回过头看一切才有了意义。爱过我们的人和伤害过我们的人,都是我们青春存在的意义。青春最终只不过是年久失修的陈黄纸画,轻轻一碰就碎飘雨风中,化于无痕,想起是谁给了我们一刹那宠爱,却让我们一辈子难以忘怀。”当我重新读到这段话时,一下子便发现,高中着弹指一挥间,留下的是满满的爱和感动。那时我不懂古人为何要叹“物是人非事事休,欲语泪先流”,不懂为何要“劝君更尽一杯酒,西出阳关无故人”,不懂当偶遇友人时“正是江南好风景,落花时节又逢君”那是怎样的欣喜。而如今,我似乎全领悟了。

很快,我就要如海鸥一般,面对整个社会的波涛。走出这象牙塔的刹那,我知道,我已没有回头路,但我绝对不会,也不能放弃自己,我要勇敢地,执着地前进,天堂未必在前面,但地狱一定在身后。而你们,每个人,也会拥有崭新的一页,即使我有千愁万情蕴于笔尖,但你们已不在。以后的以后,那些我爱过的人哪,你们在何方?

任时光匆匆流去,请相信,你们的安好,便是我那个最温暖的晴天。

末了,愿君安好,也愿自己安好。