CodeGeex可基于自然语言注释生成结构正确的PyTorch模型代码：第一步写注释描述结构，第二步右键触发生成，第三步校验层参数与上下文兼容性，必要时追加约束提示词重试。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
当你在 PyTorch 项目中反复手写 Conv2d、BatchNorm2d、Dropout 等层组合，又担心参数顺序错位、in_channels 漏传或 stride 与 padding 不匹配导致 RuntimeError 时，CodeGeex 可直接根据自然语言描述生成结构正确、可立即插入模型类的 nn.Sequential 或自定义 Module 代码。
用 CodeGeex 快速生成标准卷积块
适用于需要快速搭建 ResNet 基础模块、CNN 特征提取器等场景，避免手动计算通道数和尺寸变化。
第一步：在 PyCharm 或 VSCode 中新建 Python 文件，光标置于空行处，输入注释：# 构建一个标准卷积块：3×3 卷积→BatchNorm2d→ReLU→2×2 最大池化，输入通道 64，输出通道 128，步长 1，padding 1
第二步：选中该注释 → 右键 → 点击 【Generate Code】（CodeGeex 插件菜单项）。
第三步：检查生成代码是否含 nn.Conv2d(64, 128, 3, stride=1, padding=1) 和 nn.MaxPool2d(2)；若池化层缺失，说明提示词中“最大池化”未被识别，需在原注释末尾追加“必须包含 nn.MaxPool2d”后重新生成。
为自定义网络结构注入上下文再生成
当你的项目已定义好数据集类、预处理逻辑或特定损失函数时，直接生成的模型可能与现有 pipeline 接口不兼容。此时必须显式注入上下文。
方法一：在待生成模型类上方插入 CONTEXT 注释块
在 .py 文件中，于新模型定义前添加：
# CONTEXT: 输入张量形状为 [B, 3, 224, 224]；已定义 loss_fn = nn.CrossEntropyLoss(label_smoothing=0.1)；训练时调用 model(x).logits
然后另起一行输入：# 基于 CONTEXT，生成一个 ViT-like 分类模型，含 PatchEmbed、TransformerEncoder 层，输出 logits 形状为 [B, 1000]
触发 CodeGeex 生成后，重点核验 forward 方法是否返回字典含 "logits" 键——【若返回 raw tensor 而非 dict，会导致 loss_fn 报错】。
修复生成代码中的典型维度错误
CodeGeex 有时会忽略输入通道与上一层输出通道的衔接关系，尤其在多分支结构中易出错。
例如生成的代码含 self.conv1 = nn.Conv2d(3, 64, 7, stride=2, padding=3)，但你实际输入是 RGB 图像经 Normalize 后的 float32 张量，通道数仍为 3，这步没问题；可一旦后续接 self.conv2 = nn.Conv2d(64, 128, 3)，就必须确保前一层输出确实是 64 通道——【若前层用了 AdaptiveAvgPool2d 缩减了通道数，此处 64 就会报错】。
解决方式：在提示词中强制约束，比如写成“conv2 的 in_channels 必须等于 conv1 的 out_channels，不允许修改数值”，再生成。
这一步操作起来很简单，直接把修正后的提示词粘贴过去重试就行。
