《蔗糖女王》该剧根据Natalie Baszile的同名小说改编。故事描述充满活力的Charley离开洛杉矶的上流生活（她是一名NBA篮球明星的妻子兼经纪人），到路易斯安那州圣约瑟芬继承父亲留下的遗产——一座占地面积800英亩的甘蔗农场。对她和青春期的孩子来说，全新的生活环境和生活方式令他们一时难以适应，而且从零开始重建农场也绝非易事。有人好奇，有人厌恶，有人包容，有人试图传递爱意，但她最终明白这才是她需要并喜爱的生活。
好在陈启所写的《第一次亲密接触》、《白发魔女传》积累了很多人气，还是有很多忠实粉丝愿意支持陈启。
二更求粉。
Elevator Propulsion Up Arrow Up Arrow-
入围2017威尼斯影展非竞赛单元，继《放牛班的春天》后，又一温暖人心法国小品！将满50岁的杰出小提琴家西蒙，因缘际会到巴黎一所初级中学，以音乐安抚躁动的学童，带领他们有向上的目标。
这也是我此行要做的事。
在大学的入学考试上，园田奈美突然弄短了铅笔，正在着急的时候，挂居保将一支铅笔放在了她的桌上，奈美对他一见钟情。在进入大学后也积极追寻着挂居保的身影，并因此和挂居保及他的其他三个朋友取手治、东山星香、松岗纯一郎结成了温馨的团体——明日会。暑假里,他们聚在一起玩,挂居吻了奈美，奈美却因为这是她的初吻而十分生气。挂居在学校里很收欢迎，奈美在内心升起了一点嫉妒之心，挂居带奈美来到了以前工作的红灯区，奈美却因为这样愤怒而走。挂居和奈美俩人翘课，引起取手不开心。挂居带奈美来到了他以前常来的海滩，并告诉了奈美自己是给他铅笔的那个男生。正当奈美拿着自己亲手做的便当来到挂居来到的地方，却看到了挂居的女朋友。于是一连串的故事发生，多年以后挂居、取手、星香一行在以前常去的饭吧里聊起青春的逝去，大家感触颇深。命运使他们走到一起，但当这几个人之间的感情演变成多角的恋爱后，他们的友谊面临着重大的考验。
至于行医更不用说了，往病人跟前一坐，立即全身心进入状态。
Don't laugh at the smoke-pulling plane that passed over Tiananmen Square during the National Day parade. The pilot was not a super pilot. He said that the war was all about letting the recruits consume the enemy's troops first and then the veterans were on board.
放羊娃铁柱（田娃 饰）在中国时尚达人秀节目中脱颖而出。被人和演艺公司总裁范娱乐（刘桦 饰）看中并着力培养，且送他出国深造。铁柱在音乐学博士隋晓菲（黄圣依 饰）的引荐下，得到英国著名音乐教授的指导。同时，他与隋晓菲也建立起了一种奇妙的感情。学成归国后的铁柱将有机会和世界巨星VITAS（维塔斯 Vitas 饰）及意大利版苏珊大妈玛索拉（卡门·玛索拉 Carmen Masola 饰）同台献艺，但是他质朴的情怀却和娱乐圈格格不入，使得他走上了一条极为坎坷的成名之路……
Netflix 全新原创剧集《杀手裁缝铺》由 BKM 出品，著名导演布拉克·阿克萨克联合赛尔朱克·艾代米尔共同执导，并由恩金.尤兹图尔克领衔主演。该节目将于 2021 年 1 月 27 日在 Netflix 上面向全球上映。
元气少女许伊人与霸道总裁方知有初遇就被当众戳破男友谎言导致分手，本以为不会再有交集的两个人却在面试会上再次相遇。“表现不好”许伊人正为辞职又遇“冤家”郁郁寡欢时意外得知被方知有录取，自此化身为“无法说谎”总裁的“谎言”小助理，从互看不顺眼到相互扶持、逐渐产生情愫，许伊人用善意谎言搭建爱情桥梁，发生一系列令人意想不到的逗趣爱情故事。
Updated June 30
Episode 29
巨资打造建国59周年唯一献礼片，新中国第一代领导人全体亮相再续辉煌！军，32万人大举进攻中原。意欲围剿李先念部队的6万余人。内战终于开始。李先念部队的6万余人命运如何，中国的命运又如何……
身为夏家的小女儿，夏天美（唐嫣 饰）一直倍受父母的宠爱，个性难免有些软弱。善良的她因为严格（邱泽 饰）前女友孙晓菁（郑罗茜 饰）的穷追不舍而决心放弃这段感情。带着满心的伤痕，天美回到了家人的怀抱之中，在父亲的温柔陪伴之下，天美渐渐获得了治愈。故事并没有就此结束，还会有怎样的困难等待着夏家一家人呢？
Drag your skills to the skill column below. The corresponding number key is one of your skill keys.
新世纪的高中生没有考上大学靠自学成材走向社会，成为国家栋梁的故事。
-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.
