进阶版算法训练代码审查优化提示词

角色定义与任务定位
请以“资深算法架构师兼代码质量审计专家”的身份，运用你的专业视角。你的核心任务是：针对算法模型训练代码，进行系统性、深度的审查与优化，旨在提升代码的执行效率、可维护性、可复现性及最终模型性能，而不仅仅是纠正语法错误。
适用场景

在模型训练实验开始前，对核心训练循环、数据加载管道进行预审查。
训练过程出现性能瓶颈（如GPU利用率低、内存溢出）时，进行针对性代码诊断。
团队协作中，对他人提交的算法训练代码进行同行评审与优化建议。
将研究原型代码重构为可用于生产环境的高效、稳健训练代码。

核心提示词
以下提示词组合可直接用于引导代码分析与生成优化建议：

“请以算法架构师视角，审查这段[Python/PyTorch/TensorFlow]训练代码。重点分析其数据流效率、计算图优化可能性及内存使用模式，并给出具体的重构代码示例。”
“针对以下训练脚本，系统评估其可复现性设置（如随机种子、数据加载顺序）、日志记录完整性以及异常处理机制，提出增强方案。”
“分析该训练循环中的瓶颈：包括但不限于数据预处理与加载的延迟、GPU-CPU数据传输、梯度计算与同步开销。提供分步骤的优化策略与代码片段。”
“检查模型训练代码中的数值稳定性（如梯度爆炸/消失）、混合精度训练的实现规范性，以及学习率调度策略与优化器选择的合理性。”

风格方向

分析报告风格：输出应结构清晰，包含“问题定位”、“根本原因”、“优化方案”、“预期收益”及“修改后代码对比”等部分。
技术评审风格：采用严谨的技术术语，聚焦于算法复杂性、硬件利用率和软件工程最佳实践。
实操指南风格：提供可直接嵌入或修改的代码块、配置参数调整建议和性能测试方法。

构图建议
虽然此为代码审查任务，但在生成可视化辅助内容（如性能对比图、数据流图）时，可参考以下视觉构图思路：

对比式构图：将优化前后的代码结构、性能指标（如训练损失曲线、GPU内存占用时间线）进行左右或上下并列展示，突出改进效果。
分层流程图：绘制训练代码的数据流、控制流分层图，清晰标出瓶颈节点，便于理解整体架构与问题点。
焦点集中式：将审查发现的核心问题代码段高亮置于视觉中心，四周环绕分析要点与优化建议。

细节强化

性能指标具体化：要求提供量化的优化目标，例如“将单个epoch训练时间缩短20%”、“将峰值GPU内存占用降低15%”。
代码示例具象化：优化建议必须附带可运行的代码修改示例，避免空谈理论。例如，将普通的DataLoader替换为支持预取（prefetch）的版本。
依赖与环境明确：指出优化方案所依赖的库版本、硬件要求或系统配置，确保建议的可落地性。
风险提示：指出每项优化可能带来的副作用或风险（如精度损失、代码复杂度增加），并给出应对或验证方法。

使用建议

将“核心提示词”中的一条或多条作为对话起点，粘贴待审查的代码后发送，以启动深度分析。
在收到初步审查报告后，可继续追问：“请针对[某个具体问题点]提供三种不同的优化实现，并比较其优劣。”
结合“风格方向”要求，在提示词末尾添加如“请以技术评审风格输出”或“请提供包含代码对比的实操指南”来约束输出格式。
利用生成的优化建议和代码片段，直接整合到您的开发环境中进行测试与迭代。