`

环肥燕瘦--的由来

阅读更多

 

 

环肥燕瘦

 

 

 

环是指的唐玄宗贵妃杨玉环,燕是指的汉成帝皇后赵飞燕。形容女子形态不同,各有各好看的地方。也借喻艺术作品风格不同,而各有所长。

----------------------------------------------------

唐朝喜欢丰满的,而汉朝时喜欢的是瘦腰的;

摘自《狼图腾》

的尾声 这一章

陈阵说:我看过武则天的画像,她很富态,有母仪之相。洛阳龙门石窟那座最著名最高大的卢舍那石像,是武则天下令凿刻的。那雕像有异常大气矜持的端庄美,脸庞颈肩丰满圆润。据说这是当时的艺术家和石工按照武则天本人的形象雕刻出来的。中国人都知道,在审美标准上,唐朝是“以胖为美”,李唐帝王大多选丰满女人为后为妃。唐太宗选武则天为妃,唐太宗的儿子唐高宗李治后来又对武则天穷追不舍,直到把她立为皇后,而后来的唐玄宗李隆基又以丰腴的杨玉环为贵妃。几代唐朝皇帝如此热衷丰满女人,确实大大有悖于中国汉族帝王的传统审美标准。华夏汉族帝王大多喜欢苗条女人,比如:“楚王好细腰,后宫多饿死”。汉朝汉成帝的宠妃赵飞燕就是“楚腰纤细掌中轻”式的女人,后来被成帝立为皇后。

    那么汉唐这两个历史上齐名的大朝代,为什么会出现“环肥燕瘦”截然相反的审美标准的呢?原因就在于唐朝皇族与历代华夏朝代的民族血统不同。唐朝“以胖为美”,深刻地反映了李唐王朝鲜卑族的血统和印记。我过去也一直弄不懂为什么上个大朝代汉朝还以瘦为美,怎么到下一个大朝代唐朝突然就以胖为美了?后来弄清了李唐王朝的鲜卑血统以后才明白,再联想到咱们在草原上的生活就一下子通了。当初咱们刚到草原的时候,就发现蒙古人以胖为美,比如咱们队那个绰号叫“一盏明灯”的那仁其其格,真够丰满的,一定比杨贵妃还要胖,那时候几乎有一大半的马倌都围着她献殷勤。在额仑被牧民公认为美人的蒙古女人绝大多数是丰满女人。而鲜卑族和蒙古族是两个有着亲缘关系的蒙古草原游牧民族。鲜卑族一定是把狼图腾和“以胖为美”的审美标准,一同传给蒙古族了。实际上,游牧民族从古到今都以养肥牲畜为职业,以“羊大”为美,当然在民族审美上就以胖为美了。

分享到:
评论

相关推荐

    环肥燕瘦的成语解释是什么参考.doc

    环肥燕瘦的成语解释是什么参考.doc

    形容女人美丽的经典词语.docx

    - **貌若天仙**、**环肥燕瘦**:形容女子貌美如仙,同时涵盖了不同类型的美,环指的是杨贵妃的丰满,燕指的是赵飞燕的苗条。 - **窈窕淑女**、**秀丽端庄**:形容女子身材曼妙且举止文雅,容貌清秀且行为稳重。 -...

    温州市泰顺五校2012年第二学期期中八年级语文试卷及答案精选.doc

    - “环肥燕瘦”是形容不同类型的美,其中“环肥”指的是唐朝美女杨贵妃,以其丰腴著称;“燕瘦”则指汉成帝皇后赵飞燕,以纤瘦著名,体现文学中的审美多样性。 5. **病句修改** - 这部分测试学生的语法和逻辑判断...

    由断臂的维纳斯想到.doc

    作者通过举例,如环肥燕瘦、西子病,强调了不完美是普遍存在的,且有时正是这些不完美塑造了独特的魅力。 4. **自然界的缺憾**:自然环境中的不完美同样体现在各种生物和地理现象中,如花开花落、月圆月缺,以及...

    win64 CC2022.zip

    SmartTools InDesign插件

    深度学习课程的课程设计-------基于ResNet优化模型的阿尔茨海默症的识别.zip

    深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。

    机械设计课程设计说明书_带式输送机传送装置_西北工业大学.doc

    机械设计课程设计说明书_带式输送机传送装置_西北工业大学.doc

    风格化欧洲城镇建筑场景模型:Modular European Town v1.1

    使用 “模块化欧洲小镇” 包来改变你的游戏世界!这个套装提供了你设计一个充满活力的低多边形城市所需的一切。 套装包括: 模块化建筑:各种结构可创造多样化的建筑设计。 自然元素:树木、灌木丛和植物,以增加你的小镇的绿色景观。 基础设施:道路、人行道、边界和墙壁,以构建一个逼真的布局。 不同的道具:很多物品,如消防栓、路灯、咖啡馆桌椅、垃圾桶、长椅等等。 所有模型都采用低多边形美学制作,确保出色的性能和独特的视觉风格。这个套装非常适合所有平台上的游戏:移动设备、桌面电脑和虚拟现实。它易于使用且高度可定制,让你轻松构建自己独特的欧洲风格小镇。用 “模块化欧洲小镇” 将你的愿景变为现实!(解释说明:“lowpoly” 即低多边形,是一种在游戏和数字艺术中常用的风格,以较少的多边形数量来呈现模型,通常具有简洁的外观和较好的性能表现。

    机械工艺课程设计 挂轮架轴自由锻工艺设计(全套图纸).doc

    机械工艺课程设计 挂轮架轴自由锻工艺设计(全套图纸).doc

    nvm-window v1.1.12

    nvm-window v1.1.12

    python自动化测试10: multipart类型接口

    multipart类型接口的介绍与使用

    机械创新课程设计_自动翻书机设计.doc

    机械创新课程设计_自动翻书机设计.doc

    “机械原理”课程设计自动打印机的设计.doc

    “机械原理”课程设计自动打印机的设计.doc

    SAP系统中采购订单‘确认控制’的操作指南

    内容概要:介绍了两种不同类型的采购订单‘确认控制’操作——‘确认控制’一步法(0004)和两步法(0001),并且阐述了它们各自的操作流程以及后台配置方式。还涵盖了另一种收货类型'粗收货'(0002),并通过具体的系统功能与菜单选项展示了一般性的操作步骤,并解释了它的背景及意义。 适合人群:需要理解并能够执行采购确认控制流程的供应链管理从业人员以及系统管理员。 使用场景及目标:帮助用户理解采购流程,特别是涉及到确认步骤以及粗收货的情形。目的是保证采购流程的准确性,提升仓库收货效率。 其他说明:文章详细描述了一系列系统功能与配置,包括采购订单的创建与更新,通过特定的功能码实现采购确认,内向交货单的处理和收货的具体操作,强调每一种确认控制方法背后的原理及其应用场景。

    【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸).zip

    【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。

    AP9569GH-VB一款P-Channel沟道TO252的MOSFET晶体管参数介绍与应用说明

    -40V;-65A;RDS(ON)=10mΩ@VGS=10V;VGS=20V;Vth=-1.6V

    玻璃瓶印花机的设计机械原理课程设计.docx

    玻璃瓶印花机的设计机械原理课程设计.docx

    基于springboot+Vue的旅游推荐系统设计与实现源码+数据库(98分毕业设计)

    基于springboot+Vue的旅游推荐系统设计与实现源码+数据库(98分毕业设计),含有代码注释,小白都可以看懂,个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看,下载下来,简单部署,就可以使用。 基于springboot+Vue的旅游推荐系统设计与实现源码+数据库(98分毕业设计),含有代码注释,小白都可以看懂,个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看,下载下来,简单部署,就可以使用。 基于springboot+Vue的旅游推荐系统设计与实现源码+数据库(98分毕业设计),含有代码注释,小白都可以看懂,个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看,下载下来,简单部署,就可以使用。基于springboot+Vue的旅游推荐系统设计与实现源码+数据库(98分毕业设计),含有代码注释,小白都可以看懂,个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看,下载下来,简单部署,就可以使用。基于springboot+Vue的旅游推荐系统设计与实现源码+数据库(98分毕业设计),含有代码注释,小白都可以看懂,个人98分毕业设计。毕业

    阅读《Python深度学习-基于PyTorch》时的代码.zip

    深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。

    2024年中国低轨通信星座产业及海外拓展前景研究报告.pdf.zip

    2024年中国低轨通信星座产业及海外拓展前景研究报告.pdf

Global site tag (gtag.js) - Google Analytics