关键词：Regular Expression、Re、Regex、正则、查找、替换、通配符、模式、DOTALL、Multiline、M、re.DOTALL、re.M

One-hot如果使用One-hot编码来训练网络存在一个问题：采样One-hot编码，交叉熵损失函数只看正确类别，错误的就不看了。因为交叉熵是通过极大似然估计推导出来的（二者可以看成是等价的）：Loss=−∑i=1kqilog(pi)=−log(py)=−Zy+log(∑i=1keZi)Loss=-\sum_{i=1}^{k}q_ilog\left(p_i\right)=-log\left(p_

KeyWords：HEX、对照表、Matplotlib、plt、好看的颜色

WSL2的安装与配置Key Word：创建Anaconda虚拟环境、更新软件包、安装PyTorch、VSCode）

DEAP dataset：a dataset for emotion analysis using eeg, physiological and video signalsDEAP dataset：一个使用 EEG、生理和视频信号的情感分析数据集

逻辑回归、混淆矩阵、分类评估指标、ROC曲线、AUC指标、类别不均衡问题、PR曲线、AP、mAP

语义分割、信号下采样、空间上的不敏感性、LargeFOV、膨胀卷积、空洞卷积、MSc、Multi-Scale

Encoder、Head、Decoder、STDCNet、SPPM、FLD、UAFM、Cityscapes、CamVid

本文介绍了优化大型语言模型（LLM）提示词的两大核心原则：编写清晰具体的指令和给予模型充分思考时间。通过使用分隔符、结构化输出、条件检查和示例演示等策略，可以显著提升模型输出质量。文章还探讨了模型可能产生"幻觉"的局限性，并通过"从产品说明书生成营销文案"的实例，展示了提示词迭代优化的完整流程：从初始版本到针对文本长度问题的优化方案，最终实现简洁有效的输出。

Prompt Injection，即提示词注入，是攻击者通过构造精心设计的恶意提示词，干扰、篡改甚至完全覆盖大语言模型的预设系统指令和执行逻辑，让模型违背开发者的原始设计意图，执行非授权操作、生成有害内容或泄露敏感信息的一种攻击方式。大语言模型对用户输入的“无差别语义理解”特性——常规LLM应用中，模型会同时接收开发者设置的系统指令system，定义模型的角色、功能、行为边界）和用户输入user。