【回眸】又是一年毕业季，怎么利用ChatGPT 4.0 优化毕业论文？
目录
【回眸】又是一年毕业季，怎么利用ChatGPT 4.0 优化毕业论文？
前言
ChatGPT4.0降重提示词（3.5表现略逊色一些，不过也可以用这个来作为提示词）
举个例子
降重前的原文
构思提示词
确定提问词
选用合适的翻译软件
英文回翻
审阅修改
【回眸】又是一年毕业季，怎么利用ChatGPT 4.0 优化毕业论文？
前言
又到了一年毕业季，作为一个今年毕业的工科生，写满40+页的本科毕业论文不算难也不算简单。写完初稿之后又到了令人难受的环节:降重和代码注释。最近发现了一个比较鸡贼的方法去给毕业论文降重和代码注释（主要支持C语言和python语言）。话不多说，来介绍一下我使用的方法。
ChatGPT4.0降重提示词（3.5表现略逊色一些，不过也可以用这个来作为提示词）
在展示我使用什么提示词之前，需要了解一些前置知识，那就是因为这个语言模型是国外研发的，所以使用英文来提问，得到的答案会优于直接用中文去提问。询问了GPT得到的答案也是如此
基于这个认知我们平时提问的时候可以换个思路，就是将自己的需求翻译成英文，再将英文的回答翻译成英文并且修改出其中不符合中文语法逻辑的片段。
举个例子
我的论文有几段的重复率比较高，现在我选择用一些提示词来给这几段进行降重，以达到自己期望的效果。
降重前的原文
卷积神经网络(Convolution Netural Networks，CNN）作为一种前馈型神经网络，被广泛应用于计算机和物理学等领域。由于CNN是直接把原始图像作为输入，因而在目标检测、场景识别和面部识别等方面能够更有效地提取图像的特征信息。CNN也用于解决智能相机的人物识别"和自动驾驶的技术提升。
CNN的优点:
1.CNN能够共享卷积核，可以无压力地处理高维数据，拥有高精度的识别、分类以及跟踪能力。
2.CNN不需要对图像进行复杂的预处理就可以自动提取特征，降低了特征提取的难度。
3.CNN能将训练结果以参数的形式保存下来,避免重复训练带来的时间成本。
CNN的组成部分:
- 卷积层（Convolutional layer)
- 激活函数(Activation function)
- 池化层(Pooling layer)
- 全连接层（FClayer）
构思提示词
首先需要考虑以下几个方面：
1、虽然我们现在降重的是本科毕业论文，但我们要对标的最好是硕博的毕业论文
2、虽然现在需要降重的原文只有271个字，但利用GPT降重后可能有些不能使用的字段，或者字数不够等等，所以我们可以把改写的文字要求到500字左右，即原文字数+200
3、需要限定一些创作文字的描述，比如说要求它不能生成口语化的文字，尽量生成整段文字，尽量使用学术性的语言，避免空泛的表达或者套话等等
确定提问词
我给你的下面的文字是一篇硕士论文的片段，需要你帮助我修改成500字的同义片段，要求不能出现口语化的文字，需要你写成整段文字，请你尽量使用学术语言，避免空泛的表达或陈词滥调，我会把需要同义改写的文字放在{}中，我的第一段文字是{......(需要降重的原文复制到这里)}
选用合适的翻译软件
一般我会选择deepl做中译英的软件，火山翻译做英译中的软件，你也可以选择自己常用的机翻软件，然后将上述中文拉到deepl中进行翻译。以刚刚作为示例的这段文字为例：
Convolutional Neural Networks (CNN), as a feed-forward neural network, is widely used in fields such as computing and physics. CNNs are also used to solve the problem of character recognition in smart cameras" and to improve the technology of autonomous driving.
Advantages of CNN.
1. CNNs can share convolutional kernels and can handle high-dimensional data without stress, and have high accuracy recognition, classification and tracking capabilities.
2. CNN can automatically extract features without complex pre-processing of images, which reduces the difficulty of feature extraction.
3. CNN can save the training results in the form of parameters to avoid the time cost of repeated training.
Components of CNN.
Convolutional layer
Activation function
Pooling layer
Fully connected layer (FClayer)
Translated with www.DeepL.com/Translator (free version)将翻译出来的英文复制给ChatGPT4.0，看看它的回答
The purpose of the activation function is to augment the expressive capacity of the linear model through the incorporation of nonlinear elements. Prevalent activation functions, alongside their functional images and mathematical expressions, are depicted in Figure 2-2. Within neural networks, a linear transformation persists after layer-by-layer linear transformations have been superimposed on one another. In the absence of an activation function during this process, employing a deep neural network model would be rendered futile. The addition of an activation function not only infuses nonlinearity but also empowers the network to emulate more intricate functions.
英文回翻
将回答交给火山翻译，得到了以下答案
卷积神经网络（CNN）代表了一种广泛应用于计算机科学和物理等领域的前馈神经网络。鉴于CNN直接利用原始图像作为输入，它们可以有效地提取图像在目标检测、场景识别和面部识别方面的特征信息。此外，CNN已被用于解决“智能相机中的字符识别”和自动驾驶技术进步等问题[8]。
CNN的好处：
CNN支持卷积内核共享，促进高维数据的处理而不受阻碍，并提供准确的识别、分类和跟踪功能。
CNN消除了对图像进行复杂预处理的需要，允许自动提取特征，从而减少与特征提取相关的挑战。
CNN可以以参数的形式存储训练结果，从而减轻因重复训练而产生的时间开销。CNN的组件：
审阅修改
可以发现其中有一些欠妥的语言，我们手工修改一下内容：
卷积神经网络（CNN）代表了一种广泛应用于计算机科学和物理等领域的前馈神经网络。鉴于CNN直接利用原始图像作为输入，它们可以有效地提取图像在目标检测、场景识别和面部识别方面的特征信息。此外，CNN已被用于解决“智能相机中的字符识别”和自动驾驶技术进步等问题。
CNN的优点：
1.CNN支持卷积内核共享，促进高维数据的处理而不受阻碍，并提供准确的识别、分类和跟踪功能。
2.CNN消除了对图像进行复杂预处理的需要，允许自动提取特征，从而减少与特征提取相关的问题。
3.CNN可以以参数的形式存储训练结果，从而减轻因重复训练而产生的时间开销。
CNN的组成部分:
- 卷积层（Convolutional layer)
- 激活函数(Activation function)
- 池化层(Pooling layer)
- 全连接层（FClayer）