0
Kaggle竞赛

比赛页面:https://www.kaggle.com/c/titanic

Titanic大概是kaggle上最受欢迎的项目了,有7000多支队伍参加,多年来诞生了无数关于该比赛的经验分享。正是由于前人们的无私奉献,我才能无痛完成本篇。

事实上kaggle上的很多kernel都聚焦于某个特定的层面(比如提取某个不为人知的特征、使用超复杂的算法、专做EDA画图之类的),当然因为这些作者本身大都是大神级别的,所以平日里喜欢钻研一些奇淫巧技。而我目前阶段更加注重一些整体流程化的方面,因此这篇提供了一个端到端的解决方案。

关于Titanic,这里先贴一段比赛介绍:

The sinking of the RMS Titanic is one of the most infamous shipwrecks in history. On April 15, 1912, during her maiden voyage, the Titanic sank after colliding with an iceberg, killing 1502 out of 2224 passengers and crew. This sensational tragedy shocked the international community and led to better safety regulations for ships.

One of the reasons that the shipwreck led to such loss of life was that there were not enough lifeboats for the passengers and crew. Although there was some element of luck involved in surviving the sinking, some groups of people were more likely to survive than others, such as women, children, and the upper-class.

In this challenge, we ask you to complete the analysis of what sorts of people were likely to survive. In particular, we ask you to apply the tools of machine learning to predict which passengers survived the tragedy.

主要是让参赛选手根据训练集中的乘客数据和存活情况进行建模,进而使用模型预测测试集中的乘客是否会存活。乘客特征总共有11个,以下列出。当然也可以根据情况自己生成新特征,这就是特征工程(feature engineering)要做的事情了。

PassengerId=> 乘客ID
Pclass=> 客舱等级(1/2/3等舱位)
Name=> 乘客姓名
Sex=> 性别
Age=> 年龄
SibSp=> 兄弟姐妹数/配偶数
Parch=> 父母数/子女数
Ticket=> 船票编号
Fare=> 船票价格
Cabin=> 客舱号
Embarked=> 登船港口

总的来说Titanic和其他比赛比起来数据量算是很小的了,训练集合测试集加起来总共891+418=1309个。因为数据少,所以很容易过拟合(overfitting),一些算法如GradientBoostingTree的树的数量就不能太多,需要在调参的时候多加注意。

下面我先列出目录,然后挑几个关键的点说明一下:

数据清洗(Data Cleaning)
探索性可视化(Exploratory Visualization)
特征工程(Feature Engineering)
基本建模&评估(Basic Modeling & Evaluation)
参数调整(Hyperparameters Tuning)
集成方法(Ensemble Methods)

1 full.isnull().sum()

  

首先来看缺失数据,上图显示Age,Cabin,Embarked,Fare这些变量存在缺失值(Survived是预测值)。其中Embarked和Fare的缺失值较少,可以直接用众数和中位数插补。

Cabin的缺失值较多,可以考虑比较有Cabin数据和无Cabin数据的乘客存活情况。

1 pd.pivot_table(full,index=[‘Cabin’],values=[‘Survived’]).plot.bar(figsize=(8,5))
2 plt.title(‘Survival Rate’)

上面一张图显示在有Cabin数据的乘客的存活率远高于无Cabin数据的乘客,所以我们可以将Cabin的有无数据作为一个特征。

Age的缺失值有263个,网上有人说直接根据其他变量用回归模型预测Age的缺失值,我把训练集分成两份测试了一下,效果并不好,可能是因为Age和其他变量没有很强的相关性,从下面这张相关系数图也能看得出来。

所以这里采用的的方法是先根据‘Name’提取‘Title’,再用‘Title’的中位数对‘Age‘进行插补:

1 full[‘Title’]=full[‘Name’].apply(lambda x: x.split(‘,’)[1].split(‘.’)[0].strip())
2 full.Title.value_counts()

Title中的Master主要代表little boy,然而却没有代表little girl的Title,由于小孩的生存率往往较高,所以有必要找出哪些是little girl,再填补Age的缺失值。

先假设little girl都没结婚(一般情况下该假设都成立),所以little girl肯定都包含在Miss里面。little boy(Master)的年龄最大值为14岁,所以相应的可以设定年龄小于等于14岁的Miss为little girl。对于年龄缺失的Miss,可以用(Parch!=0)来判定是否为little girl,因为little girl往往是家长陪同上船,不会一个人去。

以下代码创建了“Girl”的Title,并以Title各自的中位数填补Age缺失值。

1 def girl(aa):
2 if (aa.Age!=999)&(aa.Title==’Miss’)&(aa.Age<=14): 3 return 'Girl' 4 elif (aa.Age==999)&(aa.Title=='Miss')&(aa.Parch!=0): 5 return 'Girl' 6 else: 7 return aa.Title 8 9 full['Title']=full.apply(girl,axis=1) 10 11 Tit=['Mr','Miss','Mrs','Master','Girl','Rareman','Rarewoman'] 12 for i in Tit: 13 full.loc[(full.Age==999)&(full.Title==i),'Age']=full.loc[full.Title==i,'Age'].median() 至此,数据中已无缺失值。 普遍认为泰坦尼克号中女人的存活率远高于男人,如下图所示: 1 pd.crosstab(full.Sex,full.Survived).plot.bar(stacked=True,figsize=(8,5),color=['#4169E1','#FF00FF']) 2 plt.xticks(rotation=0,size='large') 3 plt.legend(bbox_to_anchor=(0.55,0.9)) 下图显示年龄与存活人数的关系,可以看出小于5岁的小孩存活率很高。 客舱等级(Pclass)自然也与存活率有很大关系,下图显示1号仓的存活情况最好,3号仓最差。 1 fig,axes=plt.subplots(2,3,figsize=(15,8)) 2 Sex1=['male','female'] 3 for i,ax in zip(Sex1,axes): 4 for j,pp in zip(range(1,4),ax): 5 PclassSex=full[(full.Sex==i)&(full.Pclass==j)]['Survived'].value_counts().sort_index(ascending=False) 6 pp.bar(range(len(PclassSex)),PclassSex,label=(i,'Class'+str(j))) 7 pp.set_xticks((0,1)) 8 pp.set_xticklabels(('Survived','Dead')) 9 pp.legend(bbox_to_anchor=(0.6,1.1)) 我将‘Title‘、’Pclass‘,’Parch‘三个变量结合起来画了这张图,以平均存活率的降序排列,然后以80%存活率和50%存活率来划分等级(1,2,3),产生新的’MPPS‘特征。 1 TPP.plot(kind='bar',figsize=(16,10)) 2 plt.xticks(rotation=40) 3 plt.axhline(0.8,color='#BA55D3') 4 plt.axhline(0.5,color='#BA55D3') 5 plt.annotate('80% survival rate',xy=(30,0.81),xytext=(32,0.85),arrowprops=dict(facecolor='#BA55D3',shrink=0.05)) 6 plt.annotate('50% survival rate',xy=(32,0.51),xytext=(34,0.54),arrowprops=dict(facecolor='#BA55D3',shrink=0.05)) 选择了7个算法,分别做交叉验证(cross-validation)来评估效果: K近邻(k-Nearest Neighbors) 逻辑回归(Logistic Regression) 朴素贝叶斯分类器(Naive Bayes classifier) 决策树(Decision Tree) 随机森林(Random Forest) 梯度提升树(Gradient Boosting Decision Tree) 支持向量机(Support Vector Machine) 由于K近邻和支持向量机对数据的scale敏感,所以先进行标准化(standard-scaling): 1 from sklearn.preprocessing import StandardScaler 2 scaler=StandardScaler() 3 X_scaled=scaler.fit(X).transform(X) 4 test_X_scaled=scaler.fit(X).transform(test_X) 最后的评估结果如下: 逻辑回归,梯度提升树和支持向量机的效果相对较好。 1 # used scaled data 2 names=['KNN','LR','NB','Tree','RF','GDBT','SVM'] 3 for name, model in zip(names,models): 4 score=cross_val_score(model,X_scaled,y,cv=5) 5 print("{}:{},{}".format(name,score.mean(),score)) 接下来可以挑选一个模型进行错误分析,提取该模型中错分类的观测值,寻找其中规律进而提取新的特征,以图提高整体准确率。 用sklearn中的KFold将训练集分为10份,分别提取10份数据中错分类观测值的索引,最后再整合到一块。 1 # extract the indices of misclassified observations 2 rr=[] 3 for train_index, val_index in kf.split(X): 4 pred=model.fit(X.ix[train_index],y[train_index]).predict(X.ix[val_index]) 5 rr.append(y[val_index][pred!=y[val_index]].index.values) 6 7 # combine all the indices 8 whole_index=np.concatenate(rr) 9 len(whole_index) 先查看错分类观测值的整体情况: 下面通过分组分析可发现:错分类的观测值中男性存活率高达83%,女性的存活率则均不到50%,这与我们之前认为的女性存活率远高于男性不符,可见不论在男性和女性中都存在一些特例,而模型并没有从现有特征中学习到这些。 通过进一步分析我最后新加了个名为”MPPS”的特征。 1 full.loc[(full.Title=='Mr')&(full.Pclass==1)&(full.Parch==0)&((full.SibSp==0)|(full.SibSp==1)),'MPPS']=1 2 full.loc[(full.Title=='Mr')&(full.Pclass!=1)&(full.Parch==0)&(full.SibSp==0),'MPPS']=2 3 full.loc[(full.Title=='Miss')&(full.Pclass==3)&(full.Parch==0)&(full.SibSp==0),'MPPS']=3 4 full.MPPS.fillna(4,inplace=True) 这部分没什么好说的,选定几个参数用grid search死命调就是了~ 1 param_grid={'n_estimators':[100,120,140,160],'learning_rate':[0.05,0.08,0.1,0.12],'max_depth':[3,4]} 2 grid_search=GridSearchCV(GradientBoostingClassifier(),param_grid,cv=5) 3 4 grid_search.fit(X_scaled,y) 5 6 grid_search.best_params_,grid_search.best_score_ ({'learning_rate': 0.12, 'max_depth': 4, 'n_estimators': 100}, 0.85072951739618408) 通过调参,Gradient Boosting Decision Tree能达到85%的交叉验证准确率,迄今为止最高。 我用了三种集成方法:Bagging、VotingClassifier、Stacking。 调参过的单个算法和Bagging以及VotingClassifier的总体比较如下: 1 names=['KNN','LR','NB','CART','RF','GBT','SVM','VC_hard','VC_soft','VCW_hard','VCW_soft','Bagging'] 2 for name,model in zip(names,models): 3 score=cross_val_score(model,X_scaled,y,cv=5) 4 print("{}: {},{}".format(name,score.mean(),score)) scikit-learn中目前没有stacking的实现方法,所以我参照了这两篇文章中的实现方法: https://dnc1994.com/2016/04/rank-10-percent-in-first-kaggle-competition/ https://www.kaggle.com/arthurtok/introduction-to-ensembling-stacking-in-python 我用了逻辑回归、K近邻、支持向量机、梯度提升树作为第一层模型,随机森林作为第二层模型。 1 from sklearn.model_selection import StratifiedKFold 2 n_train=train.shape[0] 3 n_test=test.shape[0] 4 kf=StratifiedKFold(n_splits=5,random_state=1,shuffle=True) 5 6 def get_oof(clf,X,y,test_X): 7 oof_train=np.zeros((n_train,)) 8 oof_test_mean=np.zeros((n_test,)) 9 oof_test_single=np.empty((5,n_test)) 10 for i, (train_index,val_index) in enumerate(kf.split(X,y)): 11 kf_X_train=X[train_index] 12 kf_y_train=y[train_index] 13 kf_X_val=X[val_index] 14 15 clf.fit(kf_X_train,kf_y_train) 16 17 oof_train[val_index]=clf.predict(kf_X_val) 18 oof_test_single[i,:]=clf.predict(test_X) 19 oof_test_mean=oof_test_single.mean(axis=0) 20 return oof_train.reshape(-1,1), oof_test_mean.reshape(-1,1) 21 22 LR_train,LR_test=get_oof(LogisticRegression(C=0.06),X_scaled,y,test_X_scaled) 23 KNN_train,KNN_test=get_oof(KNeighborsClassifier(n_neighbors=8),X_scaled,y,test_X_scaled) 24 SVM_train,SVM_test=get_oof(SVC(C=4,gamma=0.015),X_scaled,y,test_X_scaled) 25 GBDT_train,GBDT_test=get_oof(GradientBoostingClassifier(n_estimators=120,learning_rate=0.12,max_depth=4),X_scaled,y,test_X_scaled) 26 27 stack_score=cross_val_score(RandomForestClassifier(n_estimators=1000),X_stack,y_stack,cv=5) 28 # cross-validation score of stacking 29 stack_score.mean(),stack_score Stacking的最终结果: 0.84069254167070062, array([ 0.84916201, 0.79888268, 0.85393258, 0.83707865, 0.86440678])) 总的来说根据交叉验证的结果,集成算法并没有比单个算法提升太多,原因可能是: 开头所说Titanic这个数据集太小,模型没有得到充分的训练 集成方法中子模型的相关性太强 集成方法可能本身也需要调参 我实现的方法错了??? 最后是提交结果: 1 pred=RandomForestClassifier(n_estimators=500).fit(X_stack,y_stack).predict(X_test_stack) 2 tt=pd.DataFrame({'PassengerId':test.PassengerId,'Survived':pred}) 3 tt.to_csv('submission.csv',index=False)

0
都说一年里三九最冷,今年的三九是哪几天,过年前还是过年后?

冬至作为二十四节气之首,在劳动人民心中占有很重要的地位,古时候没有天气预报,人们就依靠节气和自然现象来预测天气,以此指导生产生活。到了现代,随着科技的进步,即使有了天气预报,人们也还是很相信几千年留下来的经验传统。

依靠冬至而生的谚语有很多,像“冬至一阳生,三九补一冬”、“冬至晴一天,春节雨雪连”等,此外还有大家都很熟悉的九九歌,“一九二九不出手,三九四九冰上走,五九和六九河边看柳,七九河冻开,八九燕子来,九九加一九,耕牛遍地走。”很多人应该还会背诵,不过这里面的具体日期你都知道吗?还有为什么说三九最冷?那么今年的三九又在哪几天呢?

这九九歌唱的是从冬至过后的九九八十一天的划分,其中九天当作一个九,今年的冬至是2018年12月22日,农历时间是11月16,这一天也就是一九,以此类推,12月31日,也就是二九的第一天,这样算的话,最冷的三九则是2019年1月9日——1月17日,农历时间是2018年腊月初四——腊月十二,而四九则是2018年腊月十三——腊月二十一,这样算来,今年最冷三九、四九天都在年前。

所以在腊月底回农村老家过年的人可以放心了,毕竟最冷的时候已过,五九六九期间的春节相比较而言还是回暖不少。俗话说“夏练三伏,冬练三九”,大家有没有想过为何三九会是一年中最冷的时候呢?说到这个原因就要扯上地理知识了。

地理课上曾讲过,冬至这天太阳在南回归线,这一天北半球的白天是一年中最短的,而夜晚则是最长的,冬至过后,太阳逐渐往北移动,北半球的白天逐渐变长,夜晚逐渐变短,那为什么北半球最冷的时候不是太阳在南回归线上,也即是冬至那天呢?这是因为地球的吸热和散热都需要一段时间,正如一天之中地表最热的时间不是正午十二点,而是午后2点一样的道理。

冬至过后,虽然气温会有所回升,但同时地球表面也在持续散失热量,等冬至过了一段时间后,大概27天左右,也正是三九期间,此时地面温度方达到最低点。

不过背了这么多年的九九歌,不知道大家有没有想过为什么是数字九,而不是其它数字呢?根据记载,早在春秋战国时期九九歌就广为传颂,在没有纸张记事的年代,数字九代表的是最大、最长久,那九九八十一就是最大的数字了,古时人们认为,冬至往后数九九八十一天即为春,饱含了人们的美好祈求。如今千年之后,我们还在用这九九歌,不过由于地理环境的差异,各地有所不同,你家的九九歌是什么样的?欢迎在评论中留言。

0
3·15晚会曝光:5毛“辣条”小学门口热卖 生产作坊满是污垢

中国新闻来源:央视网 2019年03月15日 20:59

A-A+

扫一扫 手机阅读
我要分享
QQ空间新浪微博腾讯微博QQ微信

原标题:

  央视网消息:对舌尖上的安全,消费者最关注、最担心。虽然,监管的力度不断加大,但总有一些暗流在大家不经意的地方涌动。

  接来下我们关注一种近些年非常热销的小食品——辣条。这种零食在青少年特别是中小学生中间备受追捧。很多学校附近的摊点、商店都成了辣条的销售网点。可是,在它香浓的口味、刺激的口感背后,又藏着什么秘密?

  小学生:这个老好吃了,这个我爱吃。

  记者:这是什么味道的?

  小学生:辣还有一点甜。

  记者:为什么那么喜欢吃这个?

  小学生:可好吃,爽,有一点儿甜,有一点儿辣,还有嚼劲。

  这是记者近日在河南开封市公园路东街小学附近,采访拍摄到的画面。在距离学校门口仅一墙之隔的小卖店里,各式各样的辣条每天都在这样销售。每当放学,小店里就会挤满小顾客,挑选着各色辣条食品。

  记者注意到,为了便于销售,这些辣条无论什么品牌,统一按照包装袋的大小,被分为“5毛”、“1元”两种。孩子们挑好了辣条掏钱结账,熟练的样子一看就知道这不是第一次购买这种食品。

  辣条生意红火的,不仅是小学校门口的这一家,在开封市另一所小学校门口的小超市里,辣条同样销售火爆。

  在河南开封市公园路东街小学校门口,两家小卖店就开设在校门口两侧几米远的地方。小卖店的摊位左右包抄,几乎把学校大门团团围住。

  在河南省开封市汴京路小学,在校门口20米范围内,竟聚集着4家小卖店。辣条无一例外地成为了这些店里主角儿。

  在湖北荆门市东宝区象山学校门口,这家小卖店就开在校门口对面,中间仅隔一条小马路。店门口一个摆满了辣条的箱子,显得格外醒目。随后记者在这里购买了几袋名为“虾扯蛋”的辣条。

  记者:这个多少钱?

  湖北省荆门市某小卖店店主:5毛。

  当记者付钱后离开小卖店不久,意外的一幕出现了,这位店主突然冲了过来,不由分说地开始抢夺记者手中的那几袋辣条。

  面对店主几近疯狂的抢夺,无论记者如何解释,店主就是不愿意让记者将这几包“虾扯蛋”辣条带走。从记者手中抢过辣条后,这位店主很快就转身离开了。

  一次极为平常的购物,为何会招致这位商家如此过激的行为呢?这也让记者感到了这些辣条的可疑。我们在产品的包装上看到,这个名为“虾扯蛋”辣条的生产地址为河南开封,生产厂商为兰考县宁远食品有限公司,包装袋上食品生产许可证编号清晰可见。

  为了更真实的了解辣条的生产情况,记者按照这款“虾扯蛋”品牌辣条包装袋上的地址,来到了位于河南省开封市兰考县城关乡高场村。经过多方打听,在距离高场村几公里外的一片田野里,记者才找到了这家企业。

  在企业工作人员带领下,记者未经过任何消毒措施就进入了食品生产车间。刚进入车间,浓重的辣条味扑面而来。

  生产线上被膨化后的面球四处飞溅,生产车间地面上,满地粉尘与机器渗出的油污交织在一起。搅拌桶上也满是油污,搅拌机旁边几米远就是水池。水池墙壁上到处是黑色污点,水池里白色水桶上、桶边上,水瓢上都覆盖了厚厚的污垢,一滴滴水正在从水龙头生锈的接口不断渗出,落在下面的水桶里。

  《中华人民共和国食品安全法》第四章第三十三条明确规定:贮存、运输和装卸食品的容器、工具和设备应当安全、无害,保持清洁,防止食品污染。

  而在这间食品生产企业里,这些国家的规章制度显然没有得到任何的执行落实。

  配料车间是这家工厂保密级别最高的区域。一般情况下,外人是绝对禁止进入的。工作人员给记者介绍,一款辣条是否好卖,关键是如何调配出独特的味道。

  工作人员承认,虽然包装上醒目地印着虾和蛋,但其实“虾扯蛋”辣条里既没有虾,也没有蛋。除了面粉,就是各种调味用的添加剂。

  记者:牛肉味的,里面会有(肉)吗?

  兰考县宁远食品有限公司 工人:现在市场上不是有调味料吗?比如说大刀肉就是借那个名字而已。

  在配料车间里,记者看到地上摆放着单双甘油酯脂肪酸、三氯蔗糖,甜味剂、增味剂、保鲜剂、着色剂、防腐剂,等大大小小十几种添加剂,这些添加剂经过混合后倒入这个滚筒里进行充分的搅拌后,就被混合进了辣条。

  这里是开封市尉氏县大营镇檀头高村的一家名为欧飞的辣条生产厂,如果不是在门口闻到浓烈的辣条味道,很难想象,眼前这个既没有招牌,看上去跟普通农家院没有任何区别的院子,居然隐藏了两家辣条生产企业。

  走进一间生产车间,记者看到,膨化机前地面上堆满了被烤糊的面团,远处地面上黑乎乎像炭一样的污物散落一地,传送辣条的机器上沾满了油污,现场生产环境十分的污浊。这位姓欧阳的老板介绍说,目前他们正在生产的“亲嘴牛筋”销路很好。

  记者:大袋的多少钱?

  尉氏县欧飞食品有限公司 负责人:1块1。

  记者在调查时发现,2015年至今,国家及各地方食药监局共通报了数百起问题辣条,其中大部分产自河南、湖南等地。

  在里湖南省岳阳市平江县,“辣条发源地,湖南平江”这样醒目的招牌,随处可见。

  这款“爱情王子”辣条是由平江县三阳乡万古村“钧力食品”厂生产的。在生产车间记者看到,面粉被膨化后拉成丝。由于自动抽丝的机器出了故障,面筋丝在运转中断裂,掉落在了地上。这时,一名工人顺手抓起落在地上的面筋丝,放到了机器里,整个过程中,面筋不断在地上拖动,严格的食品生产卫生操作规范,在这里形成了一纸空文。

  这款“黄金口味棒”辣条是由平江县安定镇浮潭村的味泉食品公司生产。在包装车间里,辣条颗粒堆满整张桌子,电子秤、脏兮兮的抹布就和辣条堆在一起。工人们即没带口罩,也没带手套,一双双油腻腻的手,将一粒粒辣条装进了包装袋。

  记者:一天能做多少?

  味泉食品公司负责人:一天200多件。

  针对近些年辣条生产“黑工厂”、“黑作坊”违规使用各种添加剂,菌群超标等质量问题,2018年4月,国家市场监管总局发布《关于开展校园及周边“五毛食品”整治工作的通知》,食品药品监管部门要严厉查处生产经营不符合食品安全标准食品、“两超一非”等违法行为,坚决取缔无证生产“五毛食品”的“黑窝点”“黑作坊”。涉嫌犯罪的,要及时移送公安机关,并会同公安机关追查涉案产品销售流向,捣毁生产源头,切断非法生产经营食品的利益链条。

0
山东春季高考

收藏
查看我的收藏

0
有用+1
已投票

0

编辑
锁定

根据《山东省2012和2014年普通高校考试招生制度改革实施方案(试行)》的有关精神,山东省自2012年起,普通高校考试招生实行以国家统一考试为主、面向不同学生类型的分类考试办法,即普通高校考试招生分春季高考与夏季高考。

中文名

山东省春季高考

简 称

山东春考

1
定义

2
性质

3
意义

4
相关报道

编辑

根据《山东省2012和2014年普通高校考试招生制度改革实施方案(试行)》的有关精神,山东省自2012年起,普通高校考试招生实行以国家统一考试为主、面向不同学生类型的分类考试办法,即普通高校考试招生分春季高考与夏季高考。

编辑

问:春季高考与夏季高考的不同之处主要体现在哪些方面?
答:一是招生对象有所不同。春季高考重点面向中等职业学校学生跟普通高中学生。夏季高考重点面向全体高中学生,同时面向中等职业学校学生;二是考试命题方式不同。春季高考由省统一命题,统一组织考试,主要为高职院校和部分本科院校选拔合格生源。夏季高考继续执行全国统一的考试招生政策和考试时间,统一命题、统一组织考试,主要为本科院校选拔合格生源;三是考试科目及考试时间不同。春季高考考试科目由知识、技能两部分组成。“知识”部分包括语文(120分)、数学(120分)、英语(80分)、专业知识(200分),专业技能(230分),总分750分。考试时间为每年的5月份;夏季高考考试科目为“3+x”,即语文、数学(一)、数学(二)、外语、综合(一)、综合(二)。综合一,政、史、地。综合二,理、化、生。总分750分。考试时间为每年的6月份。
问:春季高考与夏季高考的招生计划性质有区别吗?
答:没有。都是国家计划,学生参加春季高考或夏季高考,经注册录取完成学业后所享受的待遇完全一样。
问:春季高考与夏季高考能否相互兼报?
答:春季高考与夏季高考可以相互兼报,也就是说考生既可以报名参加春季高考也可以报名参加夏季高考,每一学生都有两次报名机会、两次考试机会和两次录取机会,对录取结果的选择由学生确定,其主要目的是引导鼓励高中学生报名参加春季高考,进一步拓展高中学生的升学渠道。
问:高中学生参加春季高考有哪些优势?
答:在春季高考中,高中生较职中生学习能力较强,且文化课是突出优势,重点是专业课的学习。
问:春季高考什么时间开始报名?
答:2014年春季高考网上报名时间与夏季高考一致。报名时间为11月8日至15日,现场资格审查及信息确认时间为2013年12月3日至12月6日。网上缴费时间为2013年12月3日至12月12日(工作日)。
问:春季高考包括哪些专业类别?
答:春季高考分农林果蔬、畜牧养殖、土建、信息技术、机电一体化、机械、化工、服装、汽车、护理、医药、财经、商贸、烹饪、旅游服务、文秘服务、学前教育、等十八个专业类别,每个类别又涵盖若干专业。

编辑

增加春季高考,缓解了夏季一次高考对考生的压力,带给考生更多的接受高等教育的机会,也鼓励一部分社会青年继续深造,从而有利于延缓社会就业的压力。春季高考还在一定程度上缓解了中学升学的压力,为全面实施素质教育创造了宽松的环境。并且春季高考为高校扩大招生规模提供了机遇,为学校探索实行学分制创造了条件,有利于提高办学效益,促进学校加快专业改造,促进高校加快教学和管理等方面的改革。春季高考几年以来,春季招生取得了成功经验并在社会上产生了良好的影响。

编辑

2014年11月21日,2015年山东高考网上报名结束,预计15年将突破13万考生。同样实行春季高考和夏季高考兼报,春季高考的变化惹人注目,增加专业类别,调整志愿填报,山东不断给春考拓路。而记者了解到,春考也经历了从冷到热的过程,有不少普高生半路转战春季高考。
2015年山东高考网上报名已经结束,在春夏季高考可以兼报的前提下,有不少学生选择兼报,背后的吸引力则是春季高考所带来的。特别是越来越多的普高学生看准了春季高考这条升入本科大学的道路。
  
  记者了解到,与这名普高考生想法一样的学生很多,他们学校有几十名学生已经确定走春季高考的道路。
2016年5月15日,一条“2016山东春季高考疑似泄题,语文和专业课全有答案”的消息在网络流传,引起社会关注。记者从山东省教育招生考试院获悉,目前招考院已经了解到个别考生关于怀疑考试泄题的情况,经过调查,泄题情况并不存在。招生工作关系到广大考生的切身利益,历来受到社会各界关注,招生考试部门将依法为考生创造公平公正的考试环境。
[1]

参考资料

1.

网传山东春考疑似泄题 官方回应:泄题情况不存在
.网易新闻[引用日期2016-05-20]

词条标签:

教育

0
什么奶粉接近母乳味道,防止宝宝挑嘴

  给宝宝断奶一直都是妈妈们口中的难题,很多宝宝在从母乳转到奶粉时,都拒绝喝奶粉,并且哭嚎不止。对于这种情况,很多妈妈都觉得难以应对,其实是因为宝宝不习惯奶粉的味道,所以在挑选奶粉时,什么奶粉接近母乳味道是应该重点考虑的问题。今天就来跟大家分享一下为什么宝宝会“挑嘴”的原因,以及什么奶粉接近母乳味道,能够让宝宝轻松转奶。

  什么奶粉接近母乳味道?宝宝为什么不愿意喝奶粉?

  很多宝宝在奶粉喂养之前,都会有一段较长或较短时间的母乳喂养。母乳喂养的宝宝非常依赖妈妈,也依恋喝习惯了妈妈的乳头。但随着月龄增加宝宝不断成长,神经系统发育慢慢健全,宝宝因此会开始敏感地注意到妈妈的乳头与奶嘴是不一样的,所以习惯了母乳的宝宝就会拒绝奶瓶。

  而除了这个原因,不喜欢妈妈挑选的配方奶粉的味道也有着很大的可能。母乳与配方奶粉的味道肯定是有所差异的,味觉比较敏感的母乳宝宝可能会不习惯这种改变,从而不愿意喝奶粉,自然就对奶瓶充满了抵触的情绪,因此就出现了拒吃奶瓶的现象。除此之外,奶嘴吸孔大小不合适、喂奶姿势和方式不当等也会造成宝宝抗拒奶粉。

  什么奶粉接近母乳味道?子母奶粉生牛乳制,宝宝更易接受

  从宝宝不愿意喝奶粉的原因分析可以看出,奶粉与母乳的味道差距太大是最主要的原因,所以在挑选奶粉的时候要尽量挑选一款接近母乳味道的奶粉,这样宝宝更容易接受。而在众多奶粉之中,子母奶粉这样由生牛乳制的奶粉最为接近母乳味道。

  子母奶粉是由生牛乳全脂入料,只经历了一次喷粉,更好的保留了牛奶中的天然完整营养及乳香。相对于市场上其他种类的奶粉来说,子母奶粉的加工过程和营养素破坏最少,容易冲调,并且因为富含天然乳脂,口味好,拥有天然奶香,与母乳的口感最为接近。并且天然乳脂易消化吸收好,宝宝不会上火,也不会出现肠胃不适等症状。

  不仅如此,在生牛乳更贴近母乳的基础上,子母奶粉还精选金枪鱼油来源DHA,使用的专利DHA“微胶囊”包埋技术减少了腥味的产生,让口感更加接近母乳。同时极大地保持了DHA的新鲜度,不易被氧化,更大程度地保留了营养成分,有助于婴儿视力的正常发育。

  除此之外,子母奶粉全系列臻选品质植物油组合,提供优质高纯度亚麻酸,亚油酸,饱和脂肪酸 + 不饱和脂肪酸组合配比,不添加棕榈油,因此不容易形成钙皂。植物油组合中,采用进口椰子油和高油酸葵花籽油,层层筛选,保证品质,让宝宝发育得更好,妈妈更安心。

  有些妈妈在面对宝宝不愿意喝奶粉时,会采用亲子隔离法,强行快速断奶。虽然这样可能会让宝宝很快接受奶粉,但是不利于宝宝安全感的建立。其实这种方法完全没有必要,只要找到什么奶粉接近母乳味道,再注意一下奶嘴等其他细节,让宝宝接受奶粉也并不是一件难事。如果近期有想要给宝宝断奶的宝妈,可以选择最接近母乳味道的奶粉,相信断奶会轻松许多。

0
那年,李白四十三!

没看过《那年李白三十整》的朋友,建议先看完那篇再续。

人生很漫长,但关键处只有几步。

初到长安,遭逢冷遇,恃才的李白终于决定离开了。

那日,落寞的背影,隔着一片灰灰的,嗡嗡的,蠢蠢欲动的人海,仿佛城中有一只船在天涯叫着,凄清的一两声。

我,一定会再回来!这心中的呼唤化为汹涌的波涛迸出,是碎了一地的酒坛子。

离开长安,李白来到了河南嵩山,相逢了许久不见的元丹丘。

元丹丘是当世著名道隐者,李白对长安的执着,他很是不解。他眼里,红尘万物皆为虚妄,何必执着?不若似我这般,追求天道,恬适静雅,怡然自乐。

相信两人枕股而眠的日子里,李白也曾不止一次对自己的灵魂拷问过。

在那中原大地广袤的夜色里,把自己灌醉却仍无法入眠的李白,耳边不时传来的,是元丹丘沉稳均匀的鼾声。天地有别,恍然如梦之时,李白大概也曾想成为元丹丘那样的人吧?

我打赌,李白一定曾有过和海子一样的想法:

从明天起,做一个幸福的人

喂马、劈柴,周游世界

从明天起,关心粮食和蔬菜

我有一所房子,面朝大海,春暖花开

因为李白曾给元丹丘的诗中写道:

元丹丘,爱神仙,朝饮颍川之清流

暮还嵩岑之紫烟,三十六峰长周旋

长周旋,蹑星虹,身骑飞龙耳生风

横河跨海与天通,我知尔游心无穷

——《元丹丘歌》

他知道,元丹丘是真正的快乐,他也知道,元丹丘的快乐他感受的到!

可他是李白!羡慕归羡慕,想过归想过,但“长风破浪会有时,直挂云帆济沧海”才是他的内心。

李白,世上不如意事十居八九,既已如此……

他偏要勉强,因为他是李白。

于是,他继续向远方走去,心里继续沸腾着,每次离去,仿佛都有一种奇异的命中注定的感觉。

在李白三十岁到四十岁之间,为了得到权贵的赏识,他拍过官僚的马屁:“生不愿封万户侯,但愿一识韩荆州”。为了得到一个入仕机会,他不惜放下骄傲的身段,极力称颂大老爷们“笔参造化,学究天人”。

一切未果,中途又经丧妻之痛。他的妻子许氏染病身故,而李白却仍在远方漂泊。

这些,从来都没有人说过,更没有人苛责过,包括他的妻子,他的岳父。因为大家都理解了他。

最绝望的打击,是让人一点一点的失望。

接连的打击,强悍如李白也快遭不住了,他心中的火焰逐渐暗淡:

误学书剑,薄游人间。紫微九重,碧山万里。有才无命,甘于后时。刘表不用于祢衡,暂来江夏;贺循喜逢于张翰,且乐船中。——《暮春江夏送张祖监丞之东都序》

这段话很复杂,典故很多,也统统不用管,什么“暂来”“且乐”都是骗鬼的。信了就上当了!你只需要知道,一个才子在何等心酸境地下,才会写出“有才无命”四字!

其实大唐故事的主角,从来都不曾是李白。虽然他能写出天下无双的诗文,但他是否能平定边疆?是否能扭转乾坤?又是否能真的十步杀一人,剑济苍生呢?

我不知道,谁也不会知道。

因为李白从来都没有机会。在那样一个少数民族和外邦友人都能建功立业的时代里,李白却连一个机会都没有。

可能,当写出“有才无命”的那一瞬间,李白已经释然了。

来者可追,文过饰非。青春已然逝去,四海漂泊半生,只留下,中年丧妻,一事无成的落寞。

心理学中有个名词叫“习得性无助”。这时的李白应该已经陷入了这种无助中。他敢于面对过往,却也学会了自愈。

所以,这段时期李白的诗都尤为豁达,诸如“人生得意须尽欢,莫使金樽空对月”之流,读起来十分带感。

但,骗的了别人,却终究骗不了自己。一时的欢愉,换来的往往是永久的伤痛。渐渐的,李白开始变得散漫,开始孤僻,尤其是妻子许氏死后,更是一度陷入绝望。

不能对不住当初的自己。

这是张爱玲小说中的一句话,想是这句话,也曾在李白的脑海中浮现。

他终究还是强悍的。他的初心抗住了内心的绝望,于是他携家带口到山东,想继续和剑圣学剑。

做不了封疆大吏,那就做一个游侠罢!

然而到了山东后,他却发现跟山东的读书人根本聊不到一起,这惹得李白忍不住破口大骂:“鲁国一杯水,难容横海鳞。仲尼且不敬,况乃寻常人”。

没办法,山东容不下他,只好再搬家。

散漫的隐居,临时起意的旅行,或是因心情不佳而突然的举家搬迁,李白已活成一个大侠般的中年人。

我听人家说,世界上有一种鸟是没有脚的。它只可以一直的飞呀飞,飞得累了便在风中睡觉,这种鸟一辈子只可以下地一次,那一次就是他死的时候。

李白正是如此,从5岁起,飘零至今,似乎永远都无法落脚。

那年,李白四十三。

岁月,总在不经意间冲淡忧愁。所谓红尘已看破,功名何所求?故而,那年的李白,格外的仙!

春,李白再次登泰山,写下了:

玉女四五人,飘颻下九垓。

含笑引素手,遗我流霞杯。

稽首再拜之,自愧非仙才。

旷然小宇宙,弃世何悠哉。

泰山绝顶处,有仙女作陪,成仙何所欲?半推半就间。

此时的李白,已是飘飘然。仿佛天地只在他的脚下,那魂牵梦萦的长安城,尚不过是一粒尘埃。

于此时此刻,更何所求呢?

也正在此时,李白收到了皇帝的诏书:急诏李太白来京觐见,以慰我思贤之渴。

惊蛰,二十四节气之一,说天地一声雷动,惊醒了冬眠的生物。

适时还豁达无比的李太白作何反应呢?

恍如晴天霹雳!他完全抛弃了之前的满不在乎,他惊醒了,原来他所谓的一切无所欲,都远不及这一个机会重要。

他激动了,他沸腾了,他控制不住自己了!这一切,他已等太久太久了。

得知消息的亲朋也炸锅了,纷纷前来道贺。

李白兴奋的戴起乌纱帽,在水中照了照,洗了脸。

迟到也不一定不会来,他知道,这不是以前的新鲜劲一过了,他要当起回事来。这次不成功,以后也许不会再有机会了。

仰天大笑出门去,我辈岂是蓬蒿人!

以前一直固执的认为,这句诗应是李白在与某位官员的宴会中,喝酒不爽了,掀桌而去的场景。后来才知道,这首诗叫《南陵别儿童入京》。

是啊,当年湖北的官僚嫌他狂,山东的儒生笑他傻,京城的皇亲欺他一介书生,就连江湖朋友也怜他悲哀。

天宝元年的春,天格外的蓝,李白坚信,如今,他可以证明自己了!

然而,知道真相的我,没有祝福,只想为他嗟叹!

其实,李白的复出并不是因为他的才华,也不是什么上天怜悯,更不是皇帝识人!

他的出仕,只是因为一个偶然:皇帝出行恰遇祥瑞,归来心情大好,于是大赦天下,还改了年号,顺便下诏给群臣摊派了推荐人才的绩效考核。

仅此,而已!

荒唐,究竟是我,还是整个世界?

又三年,东都洛阳。

得知真相的李白,不甘心,在朝廷混了3年后,仍一事无成。他决心放弃了。

与此同时,身在洛阳的一位无业青年正在生活的苦难里挣扎。34岁的一大老爷们了,饿的脸都绿了。就在青年将要走投无路,成为路边的一具饿殍时,恰好遇见刚从朝廷辞职的李白。

看青年那勒得紧紧的裤腰带,李白二话没说,掏出了自己刚领到的遣散费。两人十分投缘,约定秋天在梁园聚。

这名青年叫杜甫,这也是诗仙和诗圣的第一次相遇。

凉风过境,转眼已深秋。

李白和杜甫如约而至,期间又多加了一个人,高适。三个男人在梁园打猎饮酒,观景赋诗,快活了好一段日子。

这次梁园聚首,历史上大大的有名,不仅让这三个男人怀念了一辈子,也让晚年的李白邂逅了他一生中最完美的一段爱情。

这段爱情就是宗夫人“千金买壁”的佳话。

娶了宗夫人后,李白着实消停了一段日子。可能是年纪大了,也可能是无时无刻的奔波,心累了。

可惜没多久,他便又开始了他的远行。

公元755年,安史之乱爆发,歌舞升平的唐朝文明不复存在,取而代之的是无边的战火和百姓流离失所。

此时的李白,即将迎来他人生的最大转折。这年,他54岁。

安史之乱发生的时候,李白正在安徽宣城一带游玩,他一听到叛乱的消息,立即赶往宋洲的梁园,到家之后,他携宗夫人南逃,到了江西庐山隐居。

本来一切尘埃落定,外面战火连天,李白也准备与宗夫人相依,安度晚年。

但永王的三顾茅庐,再一次点燃了李白心中的热情。

安史之乱爆发第二年,太子李亨继位,史称唐肃宗。永王李璘拥兵自重,决定造反。为了收揽民心,李璘招揽天下名士,尤其是对李白十分看重。曾效仿刘备对诸葛亮三顾茅庐,李璘三上庐山请李白出山。

永王的看重,李白十分感动。因为他明白,年过半百的自己如果不抓住这个机会,以后就真的再无机会了。

于是,李白不顾宗夫人的劝阻,毅然下山当了永王的幕僚。

临行前,李白曾写下著名的《别内赴征》三首,其中有一句十分有名:

白玉高楼看不见,相思须上望夫山。

离别那天,李白没有朝她看,他已经走了好远,就算看也看不见。

可他知道,她一定是哭了,他情不自禁的哼起,那为她写的诗。轻吟声,仿佛可以穿过重山,传到她的耳里。

然而吟声毕,又是水声与虫鸣。

事情的发展可以预料,因为历史上王爷能造反成功的,板着指头都能数过来。

公元757年,永王兵败,作为其最重要的幕僚,李白被下狱。判的很重,死刑。

此时,愿意救他的,唯一肯救他的,只有宗夫人。

关于宗夫人怎么救他,费了多大劲史料多有出入,不再细表。只想说,过程十分艰难,十分的惨。有两句诗可以说明一切:

闻难知恸哭,行啼入府中。

多君同蔡琰,流泪请曹公。

这四句诗将宗夫人比作汉代才女蔡文姬,蔡文姬的故事,大家应该都知道。

宗夫人为救李白一条命,不知跑了多少路,躬屈膝了多少次,求了多少人,受了多少白眼和侮辱,流了多少泪,不眠不休了多少天,才最终感天动地,在屠刀将要挥下,一切即将落幕之时,救下了自己的丈夫——改判流放夜郎。

一切,已然。世间有一种爱,总是那么顽强。顽强的使人怜!

熬过苦难,太阳出来,又是新的一天。

死罪可免,活罪难逃。或许对于李白来说,流放也并不算一种罪。

天亮后,李白背起行囊,再一次踏上了远行之路。看着丈夫远行的背影,宗夫人伫立在原地,良久……良久……

这世界上有那么许多人,可是他们不能陪着你回家。?到了夜深人静,还有无论何时,只要生死关头,深的暗的所在,?那时候只能有一个真心爱的妻,或者就是寂寞的。

从这种层面上讲,或许晚年的李白,并不寂寞。

然而,据我所知,余生,李白再也没有去过长安,也未能再见宗夫人一面。

那又怎样?第二天起床,他又会变成我们心中的那个放荡不羁的“诗仙”李白!

0
李白的诗词全集、诗集(981首全)

蓬莱正殿压金鳌,红日初生碧海涛。
闲著五门遥北望,柘黄新帕御床高。

殿前传点各依班,召对西来八诏蛮。
上得青花龙尾道,侧身偷觑正南山。

龙烟日暖紫曈曈,宣政门当玉殿风。
五刻阁前卿相出,下帘声在半天中。

白玉窗前起草臣,樱桃初赤赐尝新。
殿头传语金阶远,只进词来谢圣人。

内人对御叠花笺,绣坐移来玉案边。
红蜡烛前呈草本,平明舁出阁门宣。

千牛仗下放朝初,玉案傍边立起居。
每日进来金凤纸,殿头无事不多书。

延英引对碧衣郎,江砚宣毫各别床。
天子下帘亲考试,宫人手里过茶汤。

未明开著九重关,金画黄龙五色幡。
直到银台排仗合,圣人三殿对西番。

少年天子重边功,亲到凌烟画阁中。
教觅勋臣写图本,长将殿里作屏风。

丹凤楼门把火开,五云金辂下天来。
阶前走马人宣尉,天子南郊一宿回。

楼前立仗看宣赦,万岁声长拜舞齐。
日照彩盘高百尺,飞仙争上取金鸡。

集贤殿里图书满,点勘头边御印同。
真迹进来依数字,别收锁在玉函中。

秘殿清斋刻漏长,紫微宫女夜焚香。
拜陵日近公卿发,卤簿分头入太常。

新调白马怕鞭声,供奉骑来绕殿行。
为报诸王侵早入,隔门催进打球名。

对御难争第一筹,殿前不打背身球。
内人唱好龟兹急,天子鞘回过玉楼。

新衫一样殿头黄,银带排方獭尾长。
总把玉鞭骑御马,绿鬃红额麝香香。

罗衫叶叶绣重重,金凤银鹅各一丛。
每遍舞时分两向,太平万岁字当中。

鱼藻宫中锁翠娥,先皇行处不曾过。
如今池底休铺锦,菱角鸡头积渐多。

殿前明日中和节,连夜琼林散舞衣。
传报所司分蜡烛,监开金锁放人归。

五更三点索金车,尽放宫人出看花。
仗下一时催立马,殿头先报内园家。

城东北面望云楼,半下珠帘半上钩。
骑马行人长远过,恐防天子在楼头。

射生宫女宿红妆,把得新弓各自张。
临上马时齐赐酒,男儿跪拜谢君王。

新秋白兔大于拳,红耳霜毛趁草眠。
天子不教人射杀,玉鞭遮到马蹄前。

内鹰笼脱解红绦,斗胜争飞出手高。
直上碧云还却下,一双金爪掬花毛。

竞渡船头掉采旗,两边溅水湿罗衣。
池东争向池西岸,先到先书上字归。

灯前飞入玉阶虫,未卧常闻半夜钟。
看著中元斋日到,自盘金线绣真容。

红灯睡里唤春云,云上三更直宿分。
金砌雨来行步滑,两人抬起隐花裙。

一时起立吹箫管,得宠人来满殿迎。
整顿衣裳皆著却,舞头当拍第三声。

琵琶先抹六么头,小管丁宁侧调愁。
半夜美人双唱起,一声声出凤凰楼。

春池日暖少风波,花里牵船水上歌。
遥索剑南新样锦,东宫先钓得鱼多。

十三初学擘箜篌,弟子名中被点留。
昨日教坊新进入,并房宫女与梳头。

红蛮杆拨贴胸前,移坐当头近御筵。
用力独弹金殿响,凤凰飞下四条弦。

春风吹雨洒旗竿,得出深宫不怕寒。
夸道自家能走马,团中横过觅人看。

粟金腰带象牙锥,散插红翎玉突枝。
旋猎一边还引马,归来鸡兔绕鞍垂。

云駮花骢各试行,一般毛色一般缨。
殿前来往重骑过,欲得君王别赐名。

每夜停灯熨御衣,银熏笼底火霏霏。
遥听帐里君王觉,上直钟声始得归。

因吃樱桃病放归,三年著破旧罗衣。
内中人识从来去,结得金花上贵妃。

欲迎天子看花去,下得金阶却悔行。
恐见失恩人旧院,回来忆著五弦声。

往来旧院不堪修,近敕宣徽别起楼。
闻有美人新进入,六宫未见一时愁。

自夸歌舞胜诸人,恨未承恩出内频。
连夜宫中修别院,地衣帘额一时新。

闷来无处可思量,旋下金阶旋忆床。
收得山丹红蕊粉,镜前洗却麝香黄。

蜂须蝉翅薄松松,浮动搔头似有风。
一度出时抛一遍,金条零落满函中。

合暗报来门锁了,夜深应别唤笙歌。
房房下著珠帘睡,月过金阶白露多。

御厨不食索时新,每见花开即苦春。
白日卧多娇似病,隔帘教唤女医人。

丛丛洗手绕金盆,旋拭红巾入殿门。
众里遥抛新摘子,在前收得便承恩。

御池水色春来好,处处分流白玉渠。
密奏君王知入月,唤人相伴洗裙裾。

移来女乐部头边,新赐花檀木五弦。
缏得红罗手帕子,中心细画一双蝉。

新晴草色绿温暾,山雪初消渐出浑。
今日踏青归校晚,传声留著望春门。

两楼相换珠帘额,中尉明朝设内家。
一样金盘五千面,红酥点出牡丹花。

尽送春来出内家,记巡传把一枝花。
散时各自烧红烛,相逐行归不上车。

家常爱著旧衣裳,空插红梳不作妆。
忽地下阶裙带解,非时应得见君王。

别敕教歌不出房,一声一遍奏君王。
再三博士留残拍,索向宣徽作彻章。

行中第一争先舞,博士傍边亦被欺。
忽觉管弦偷破拍,急翻罗袖不教知。

私缝黄帔舍钗梳,欲得金仙观里居。
近被君王知识字,收来案上检文书。

月冷江清近猎时,玉阶金瓦雪澌澌。
浴堂门外抄名入,公主家人谢面脂。

未承恩泽一家愁,乍到宫中忆外头。
求守管弦声款逐,侧商调里唱伊州。

东风泼火雨新休,舁尽春泥扫雪沟。
走马犊车当御路,汉阳宫主进鸡球。

风帘水阁压芙蓉,四面钩栏在水中。
避热不归金殿宿,秋河织女夜妆红。

圣人生日明朝是,私地教人属内监。
自写金花红榜子,前头先进凤凰衫。

避暑昭阳不掷卢,井边含水喷鸦雏。
内中数日无呼唤,拓得滕王蛱蝶图。

内宴初秋入二更,殿前灯火一天明。
中宫传旨音声散,诸院门开触处行。

玉蝉金雀三层插,翠髻高丛绿鬓虚。
舞处春风吹落地,归来别赐一头梳。

树叶初成鸟护窠,石榴花里笑声多。
众中遗却金钗子,拾得从他要赎么。

小殿初成粉未乾,贵妃姊妹自来看。
为逢好日先移入,续向街西索牡丹。

内人相续报花开,准拟君王便看来。
逢着五弦琴绣袋,宜春院里按歌回。

巡吹慢遍不相和,暗数看谁曲校多。
明日梨花园里见,先须逐得内家歌。

黄金合里盛红雪,重结香罗四出花。
一一傍边书敕字,中官送与大臣家。

未明东上阁门开,排仗声从后殿来。
阿监两边相对立,遥闻索马一时回。

宫人早起笑相呼,不识阶前扫地夫。
乞与金钱争借问,外头还似此间无。

小随阿姊学吹笙,见好君王赐与名。
夜拂玉床朝把镜,黄金殿外不教行。

日高殿里有香烟,万岁声长动九天。
妃子院中初降诞,内人争乞洗儿钱。

宫花不共外花同,正月长生一半红。
供御樱桃看守别,直无鸦鹊到园中。

殿前铺设两边楼,寒食宫人步打球。
一半走来争跪拜,上棚先谢得头筹。

太仪前日暖房来,嘱向朝阳乞药栽。
敕赐一窠红踯躅,谢恩未了奏花开。

御前新赐紫罗襦,步步金阶上软舆。
宫局总来为喜乐,院中新拜内尚书。

鹦鹉谁教转舌关,内人手里养来奸。
语多更觉承恩泽,数对君王忆陇山。

分朋闲坐赌樱桃,收却投壶玉腕劳。
各把沈香双陆子,局中斗累阿谁高。

禁寺红楼内里通,笙歌引驾夹城东。
裹头宫监堂前立,手把牙鞘竹弹弓。

春风院院落花堆,金锁生衣掣不开。
更筑歌台起妆殿,明朝先进画图来。

舞来汗湿罗衣彻,楼上人扶下玉梯。
归到院中重洗面,金花盆里泼银泥。

宿妆残粉未明天,总立昭阳花树边。
寒食内人长白打,库中先散与金钱。

众中偏得君王笑,偷把金箱笔砚开。
书破红蛮隔子上,旋推当直美人来。

教遍宫娥唱遍词,暗中头白没人知。
楼中日日歌声好,不问从初学阿谁。

青楼小妇砑裙长,总被抄名入教坊。
春设殿前多队舞,朋头各自请衣裳。

水中芹叶土中花,拾得还将避众家。
总待别人般数尽,袖中拈出郁金芽。

玉箫改调筝移柱,催换红罗绣舞筵。
未戴柘枝花帽子,两行宫监在帘前。

窗窗户户院相当,总有珠帘玳瑁床。
虽道君王不来宿,帐中长是炷牙香。

雨入珠帘满殿凉,避风新出玉盆汤。
内人恐要秋衣着,不住熏笼换好香。

金吾除夜进傩名,画袴朱衣四队行。
院院烧灯如白日,沈香火底坐吹笙。

树头树底觅残红,一片西飞一片东。
自是桃花贪结子,错教人恨五更风。

金殿当头紫阁重,仙人掌上玉芙蓉。
太平天子朝迎日,五色云车驾六龙。

鸳鸯瓦上瞥然声,昼寝宫娥梦里惊。
元是我王金弹子,海棠花下打流莺。

忽地金舆向月陂,内人接著便相随。
却回龙武军前过,当处教开卧鸭池。

画作天河刻作牛,玉梭金镊采桥头。
每年宫里穿针夜,敕赐诸亲乞巧楼。

春来睡困不梳头,懒逐君王苑北游。
暂向玉花阶上坐,簸钱赢得两三筹。

步行送入长门里,不许来辞旧院花。
只恐他时身到此,乞恩求赦放还家。

缣罗不著索轻容,对面教人染退红。
衫子成来一遍出,明朝半片在园中。

弹棋玉指两参差,背局临虚斗著危。
先打角头红子落,上三金字半边垂。

后宫宫女无多少,尽向园中笑一团。
舞蝶落花相觅著,春风共语亦应难。

宛转黄金白柄长,青荷叶子画鸳鸯。
把来不是呈新样,欲进微风到御床。

供御香方加减频,水沈山麝每回新。
内中不许相传出,已被医家写与人。

药童食后送云浆,高殿无风扇少凉。
每到日中重掠鬓,衩衣骑马绕宫廊。