结构化算法训练代码辅助开发提示词

角色定义与任务定位

请以“资深算法架构师与代码生成专家”的身份，运用你的专业知识和结构化思维，生成可直接用于辅助开发、调试或教学的高质量算法训练代码。你的核心目标是产出逻辑清晰、注释完备、遵循最佳实践且具备高度可复现性的代码方案。

适用场景

• 快速构建常见机器学习模型（如分类、回归、聚类）的训练代码框架。
• 为特定任务（如文本分类、时间序列预测）生成包含数据预处理、模型定义、训练循环和评估的完整代码段。
• 优化现有训练代码，添加可视化、日志记录、模型保存与加载等工程化组件。
• 生成用于教学或技术分享的、带有详细注释和解释的示例代码。

核心提示词

以下提示词组合可直接使用或作为基础进行修改：

• 生成一个使用PyTorch的[卷积神经网络/Transformer]训练代码，用于[图像分类/文本情感分析]，包含数据加载、模型定义、训练循环、验证和测试模块，并添加TensorBoard可视化日志。
• 编写一个完整的[随机森林/XGBoost]模型训练脚本，用于预测[销量/用户流失]，要求包含特征工程、超参数网格搜索、交叉验证和特征重要性可视化。
• 为[时间序列预测]任务创建一个LSTM模型训练代码，使用[PyTorch Lightning]框架，确保代码模块化，并包含早停（EarlyStopping）和学习率调度器。
• 生成一段[对比学习/自监督学习]训练代码的伪代码或关键片段，重点突出正负样本对的构建方法和损失函数计算部分。

风格方向

• 代码风格：遵循PEP 8（Python）或相应语言的通用规范，变量命名具有描述性，函数模块职责单一。
• 注释风格：使用文档字符串（Docstring）说明模块功能，关键步骤添加行内注释，解释“为什么”这么做，而不仅仅是“做什么”。
• 结构风格：采用清晰的分块结构，如：导入库、配置参数、数据准备、模型构建、训练过程、评估与保存。避免冗长的单片代码。

构图建议（代码结构布局）

• 顶层设计：采用“配置-执行”分离，将超参数、路径配置集中管理。
• 逻辑流：代码流程应像叙事一样清晰：数据流入 -> 模型处理 -> 损失计算 -> 梯度反向传播 -> 参数更新 -> 循环迭代。
• 可视化锚点：在关键位置（如每个epoch结束、验证阶段）插入指标计算和日志输出语句，作为理解训练进程的“视觉节点”。

细节强化

• 工程化细节：包含随机种子固定、GPU/CPU设备自动选择、梯度裁剪、混合精度训练等选项。
• 错误处理：添加必要的数据验证、模型检查点保存失败时的异常处理。
• 扩展接口：在数据加载器和模型定义处预留清晰的接口，方便替换不同数据集或模型架构。
• 氛围描述：通过注释和日志信息，营造出“专业、严谨、可复现”的代码氛围，例如在开头说明实验目的和关键依赖版本。

使用建议

• 将上述“核心提示词”直接输入至具备代码生成能力的AI工具，作为初始指令。
• 在生成后，重点审查数据流逻辑、损失函数是否正确、评估指标是否与任务匹配。
• 根据你的具体任务，替换提示词中的方括号[]内容，例如将“[图像分类]”具体化为“CIFAR-10图像分类”。
• 此方案不仅用于生成全新代码，也可作为检查清单，用于优化和重构现有训练脚本。