chatGPT元年，毕业论文写作指北（附咒语）

2026-05-21 张柯论文指导

2024.4.26: 写了一篇全新的！请参考chatGPT写论文的毕业生，chatGPT神会拯救每一个写毕业论文的孩子！本人以个人的毕业论文撰写经历，为大家提供一个大幅解放生产力的方法。如果你还没赶完论文，可能对你会很有帮助。

结论：本人先花一天把之前写的英语论文翻译过来，得到差不多15页（含图表），然后花了一天，使用chatGPT+轻手工扩充到32页。总共花费两天，提交后校内使用知网查重，重复率0.4%。我自己感觉写得还不错，主要是真的很快，非常爽

声明：首先我鼓励大家进行真实的科研，但是我不理解强制要求本科生写30页毕业论文等诸多高校的普遍行为。这或许是学校维护学生素质的无可奈何的一刀切方案，但依然不能苟同。此外我的论文使用GPT辅助创作至少现在还是没问题的，且校长公开发表过支持学生使用GPT的言论。欢迎大家也使用本文的方法解放生产力，祝你此后再不被此类繁文缛节所困！

通用咒语

首先，我使用的是GPT3.5最快的版本，原因是4.0太慢了，还有使用次数限制。有的时候你需要让GPT不断重新生成一段内容，所以用最快的就行。不氪金的那个版本，就是最快的版本，如果不是为了稳定，不是很需要充plus，一个月20刀挺贵的，吃点好的

注意：以下咒语是英文，是因为我在尝试规避最近chatGPT对中文使用者的大批量封号，不知道是否有用，但至少之前我没被封，可能还是有点用吧（躺平）

光流估计是一项最近很热门的图像处理任务，之前的工作包含FlowNet，PWC-Net，LiteFlowNet，RAFT等。除了这些基于CNN的方法，还有基于Transformer的光流估计模型，例如GMFlow和FlowFormer。还有一些工作将光流技术推广到其他下游任务中。
> GPT-3.5: 光流估计是一项在计算机视觉中十分重要的任务，它可以对连续图像序列中的像素点之间的运动关系进行估计。在光流估计领域，基于卷积神经网络（CNN）的方法已经成为主流。其中，FlowNet [1] 是最早提出的基于CNN的光流估计模型之一，其利用卷积神经网络从图像中提取特征，并使用光流损失函数进行训练。随后，PWC-Net [2] 通过设计更加紧密的金字塔结构，提高了光流估计的精度。LiteFlowNet [3] 是一种轻量级的光流估计模型，它在保持较高精度的情况下大幅降低了模型参数量。RAFT [4] 是最近提出的一种基于CNN的光流估计模型，它采用了可变形卷积来处理光流的非局部性，从而提高了光流估计的准确性。

如果需要论文指导，可联系网站客服！