CodeGeex评测：深度学习PyTorch网络层编写指南
手动搭建PyTorch模型时，逐层配置Conv2d、BatchNorm2d、Dropout极易出错——in_channels遗漏、stride与padding不匹配常引发RuntimeError，排查耗时费力。CodeGeex提供了一种高效解法：通过自然语言描述网络结构，即可自动生成可执行的nn.Sequential或自定义Module代码，大幅减少手动计算与调试成本。
具体操作如下。假设需要构建一个标准卷积块：3×3卷积、BatchNorm2d、ReLU激活，后接2×2最大池化。输入通道64，输出通道128，步长1，padding为1。在PyCharm或VSCode中新建Python文件，将光标置于空行，写入注释：# 构建标准卷积块：3×3 Conv → BatchNorm2d → ReLU → 2×2 MaxPool，输入通道64，输出通道128，步长1，padding 1
选中该注释行，右键点击 【Generate Code】（CodeGeex插件功能）。几秒内即可生成代码。核验生成的模块：是否包含 nn.Conv2d(64, 128, 3, stride=1, padding=1)？是否包含 nn.MaxPool2d(2)？若缺失池化层，说明“最大池化”的关键词未被准确解析。只需在注释末尾追加一句“必须包含 nn.MaxPool2d”，重新生成即可。
使生成代码匹配现有项目上下文
你的项目通常已包含数据集类、预处理流程和自定义损失函数。直接生成的模型往往与现有pipeline脱节——例如forward输出raw tensor，而你期望返回一个包含"logits"键的字典。解决方案：向CodeGeex提供上下文信息。
一个高效做法：在待生成模型类的上方插入CONTEXT注释块。例如：
# CONTEXT: 输入张量形状 [B, 3, 224, 224]；已定义 loss_fn = nn.CrossEntropyLoss(label_smoothing=0.1)；训练时通过 model(x).logits 获取预测结果
随后另起一行写入：# 基于 CONTEXT，生成 ViT 风格分类模型，包含 PatchEmbed、TransformerEncoder 层，输出 logits 形状为 [B, 1000]
触发代码生成后，务必检查 forward 方法是否确实返回包含 "logits" 键的字典。若返回raw tensor，loss_fn将立即报错——此验证不可省略。
修复常见维度不匹配错误
CodeGeex在复杂多分支结构中偶尔会忽略输入通道与上一层输出通道的衔接关系。例如，生成 self.conv1 = nn.Conv2d(3, 64, 7, stride=2, padding=3)，输入为经Normalize后的RGB float32张量（通道数3），这一步正确。然而后续 self.conv2 = nn.Conv2d(64, 128, 3) 需要保证前层输出确为64通道。若前层额外插入了AdaptiveAvgPool2d，则64通道可能被改动，导致数值错误。
解决方案：在提示词中强制约束。例如写成“conv2的in_channels必须等于conv1的out_channels，数值不可更改”，然后重新生成。将修正后的提示词直接粘贴重试即可，无需额外操作。