一战结束后，查泰来爵士（西波里特•吉拉多特 Hippolyte Girardot 饰）因伤失去了双腿，成了只能摇着轮椅生活的残疾人。虽然他偶尔会约朋友一起吃饭聊天，但是他的夫人康斯坦丝（玛丽娜•汉斯 Marina Hands 饰）却陷入了无聊与寂寞之中。看着她神色日渐憔悴，朋友带她去看医生希望得到救治，结果大夫检查后说她并无疾病，只是由于长期没有夫妻生活所以身体虚弱。一次偶然的机会，她在弗雷格比庄园的树林里结识了壮硕的园丁帕尔金（让-路易•顾洛克 Jean-Louis Coullo'ch 饰），并逐渐对他产生爱慕。两个人于是开始了偷情。这段关系开始后，夫人的病不治而愈，但是她的内心却更加忐忑不安，生怕秘密被丈夫揭穿……
“用语言阻止我的杀人吧”。太阳新闻社会部游击记者？一封寄给木透（玉木宏）的信。在那里详细叙述了震撼首都圈的无差别连续杀人的犯罪。犯人指名独木，要求报纸上公开讨论。对于预告新的杀人案的犯人，一本木作为新闻记者用语言的力量进行对抗。不久，连环杀人犯和新闻记者的前所未闻的对话，作为剧场型犯罪震动了社会。
前后左右不时发出各种鸟鸣、虫语。
未来某天，议员之子帕特里克·罗斯（贾斯汀·拉扎德 Justin Lazard 饰）乘坐远足号登陆火星，成为第一个踏足这个星球的地球人。一如当年的阿姆斯特朗，帕特里克成为全人类的英雄。然而始料未及的是，帕特里克将一种致命的DNA带回地球。人类开始面临新的灾难。
故事讲述了摄影师胡杨为了扩大经营，找到一位艺术商人开了家高端工作室，但条件是必须让时尚美食女主播夏天答应与艺术商人签约。于是，胡杨开始接近夏天，两人渐生情愫。没想到，夏天的追求者徐金宝从中捣乱，让他们一路窘迫，并揭穿了胡杨的骗局。夏天伤心地回到家乡新疆，没想到在新疆两人再次偶遇并相爱……
讲述了25年前电影院一场大火的记忆虚幻又真实，将现今看似毫无关联的人和事紧紧联系在一起。
该剧以徐浩宁和傣家女孩玉波的爱情为主线，国外留学归来的浩宁，只身来到西双版纳创业过程中，最终为了保护西双版纳的原生态甘愿放弃个人利益付出巨额赔偿，另寻发展之路，并和玉波相爱，投身于傣寨和热带雨林、珍稀动物保护的故事，表现了西双版纳少数民族对家乡山水的热爱、对理想生活的追求、对保护自然的生态观念、对民族和谐共同发展的美好愿望。
某朝某代，盛世繁华，国泰民安，世人皆赞小皇帝 英明睿智。但事实上，小皇帝尚未亲政，大权把握在太后和皇叔手中。对朝政不感兴趣的小皇帝一心想出宫游历，并对听戏十分痴迷。一日，小皇帝发现一条宫中密道，悄摸溜出，不料 密道尽头竟是一家关张多年的瓦舍（古代剧院兼会所）。小皇帝偶遇盘下瓦舍的戏班班主白小青，从此隐瞒身份，开启了瓦舍小厮与真命天子的双面人生，与一群奇葩艺人为伍，历经波折，纷争不断，难舍难分。
孤独的美食家该剧是根据久住昌之创作、谷口治郎作画的同名漫画改编而成，原作目前正在《周刊SPA！》（扶桑社）进行不定期连载当中，讲述的是一名独自经营进口杂货商店的男子井之头五郎，在工作间隙前往餐馆当中吃饭的场景的故事。作品中登场的餐馆全部都是实际存在的，其中一个重要的特点就在于基本上都是一些大众化的餐馆，只不过作品中并不是单纯地描述食文化，而是着重表现主人公吃饭的场景以及心理描写。
别说，袖里听。
这首诗是我今年，不，应该算是我这辈子看到最好的现代情诗了。
本剧松散改编自1996年Olivier Assayas创作、张曼玉主演的同名电影。
1938年，在抗日的战火硝烟中，在冀东西部边缘潮白地区的牛山镇，不经意中，显现了御笔手抄《道德经》。于是，日军、假抗日为名的游杂武装，散兵游勇、土匪和民间多年来窥探其密，卧薪尝胆想发财的人，蜂拥而至，展开了明争暗斗……
Don't say what Jia Lian will think after listening to Lin Huiyin's words, and no matter how the Jia family reacted after seeing Jia Lian go back alone, after settling down in the small courtyard of the Lins,...
辽国萧太后虎视眈眈窥视中原，杨景奋力守卫边关遂城。宋朝皇帝整日沉迷于酒色，从不关心战事，使得遂城内缺粮、缺药，杨景等人困守城中。谁知这一下却惹怒了穆桂英，与他打了起来。杨宗保由于连日奔波早已筋疲力尽，渐渐体力不支昏倒在地，身上的精囊掉落下来。 穆桂英虽出身山寨却正直善良，她早就对杨家将仰慕已久，看见精囊中的急信，她得知面之人竟是杨家小将，不仅芳心暗许，决定将其救回山寨。 于是一个戎装女子挂帅出征、大破天门阵的故事就此展开……
-Coding: N categories are divided M times, and one part of the categories is divided into positive classes and the other part is divided into negative classes in each division, thus forming a two-classification training set. In this way, a total of M training sets are generated, and M classifiers can be trained.
