步骤一 形成原始语料：在网页上进行论文检索，并批量导出摘要
如这里我使用知网检索，实际上很多网址和国内外的出版社网址都支持一键导出文章信息
搜索后勾选，点击导出与分析
点击导出后选择自定义，默认是不导出摘要的，需要勾选！
勾选摘要后导出或者直接预览在这里Copy一手！
步骤二 输入原始语料给ChatGPT进行压缩
这里必须进行压缩，不然太长了，很难控制，最后的综述会缺少，还会乱，不管GPT3.5还是4
输入提示词Prompt：
缩写总结十篇文章的工作，并给出引用文献。[这里粘贴你复制的内容]
输出：
这些摘要涵盖了多个领域的研究，从药物发现到图像处理再到自然语言处理。这里是对每篇文章的缩写总结：
基于注意力感知和模态融合的药物-靶点相互作用预测方法
提出了一种新的药物-靶点相互作用预测方法，利用了注意力感知和模态融合的技术，通过Transformer模块融合药物和靶点特征，提高了预测准确度。
基于RGB和深度双模态的温室番茄图像语义分割模型介绍了一种利用深度学习技术进行温室番茄图像语义分割的模型，利用RGB和深度图像信息相结合的方法提高了分割精度。
基于边缘引导和动态可变形Transformer的遥感图像变化检测提出了一种新的遥感图像变化检测方法，利用边缘引导和动态可变形Transformer技术，提高了变化检测的准确性和鲁棒性。
基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究结合古籍文本的句式特征和深度学习模型，提出了一种用于古籍文本实体识别的方法，提高了识别准确度。
基于Transformer组合模型的锂电池SOH和URL预测提出了一种新的深度学习模型，利用Transformer和其他深度学习模型组合，提高了锂电池健康状态和剩余使用寿命的预测精度。
面向带宽受限场景的高效语义通信方法提出了一种基于信息瓶颈理论的语义通信方法，通过Transformer模型和特征选择模块，提高了语义通信的效率。
基于全局与序列混合变分Transformer的多样化图像描述生成方法提出了一种新的多样化图像描述生成框架，利用混合变分Transformer模型，提高了生成图像描述的多样性和准确性。 引用文献如下：
彭杨, 朱小飞, 胡冬冬. 基于注意力感知和模态融合的药物-靶点相互作用预测方法. 太原理工大学学报. 张羽丰, 杨景, 邓寒冰, 周云成,
苗腾. 基于RGB和深度双模态的温室番茄图像语义分割模型. 农业工程学报. 雷涛, 翟钰杰, 许叶彤, 王营博, 公茂果.
基于边缘引导和动态可变形Transformer的遥感图像变化检测. 电子学报. 武帅, 杨秀璋, 何琳, 公佐权.
基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究. 数据分析与知识发现. 常伟, 胡志超, 潘多昭.
基于Transformer组合模型的锂电池SOH和URL预测. 电池工业. 刘伟, 王孟洋, 白宝明. 面向带宽受限场景的高效语义通信方法.
西安电子科技大学学报. 刘兵, 李穗, 刘明明, 刘浩. 基于全局与序列混合变分Transformer的多样化图像描述生成方法. 电子学报.
步骤三 梳理分析形成综述大纲（核心）
紧接着输入让他简单分析，这些文章可以如何分类盘点，
这是核心步骤，类似人的阅读和分析梳理，能让输出的结果看起来更像人写的
输入Prompt:
分析这些文献都属于Transformer在哪几个大类的应用，分为三至四类即可
输出
这些文献的应用可以分为三类：
图像处理与计算机视觉：
第二篇文献描述了基于混合Transformer的温室番茄图像语义分割模型，利用深度学习技术对图像进行分割和理解。
第三篇文献介绍了基于边缘引导和动态可变形Transformer的遥感图像变化检测方法，用于检测遥感图像中的变化。 自然语言处理与信息提取：第四篇文献讨论了基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究，应用于古籍文本的命名实体识别任务。
第六篇文献描述了面向带宽受限场景的高效语义通信方法，利用Transformer模型进行语义通信的优化。 医药与生物信息学：第一篇文献提出了基于注意力感知和模态融合的药物-靶点相互作用预测方法，利用Transformer模块预测药物和靶点之间的相互作用。
每类应用都展示了Transformer模型在不同领域的应用潜力，从图像处理到自然语言处理再到医药领域。
步骤四 按照步骤三的结果进一步扩展形成综述并润色细节
习惯夸夸G老师，这样输出准确率更高哦哈哈
输入Prompt：
很好，将上面的内容转换为一篇文献综述，分为这三类进行展开介绍，要求按照文献综述的格式，可以分段输出，并在原文中加上引用数字[1]等
输出：
文献综述
标题：Transformer模型在多领域的应用综述
摘要： Transformer模型是一种基于自注意力机制的深度学习模型，近年来在自然语言处理、图像处理、医药与生物信息学等领域得到了广泛应用。本文对Transformer模型在这三个领域的应用进行了综述，并分析了其在各领域的优势和挑战。
关键词： Transformer模型，自然语言处理，图像处理，医药与生物信息学
一、Transformer模型在图像处理与计算机视觉领域的应用
Transformer模型在图像处理与计算机视觉领域的应用日益增多。例如，张羽丰等人提出了基于混合Transformer的温室番茄图像语义分割模型[2]，该模型利用深度学习技术对图像进行分割和理解。此外，雷涛等人提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测方法[3]，用于检测遥感图像中的变化。这些研究表明Transformer模型在图像处理领域具有广阔的应用前景。
二、Transformer模型在自然语言处理与信息提取领域的应用
在自然语言处理与信息提取领域，Transformer模型也展现出了强大的能力。武帅等人提出了基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究[4]，该方法应用于古籍文本的命名实体识别任务。此外，刘伟等人描述了面向带宽受限场景的高效语义通信方法[5]，利用Transformer模型进行语义通信的优化。这些研究表明Transformer模型在自然语言处理领域具有广泛的应用前景，并为信息提取任务提供了新的解决方案。
三、Transformer模型在医药与生物信息学领域的应用
在医药与生物信息学领域，Transformer模型也展现出了其独特的价值。彭杨等人提出了基于注意力感知和模态融合的药物-靶点相互作用预测方法[1]，该方法利用Transformer模块预测药物和靶点之间的相互作用，为药物发现提供了新的思路和方法。这些研究表明Transformer模型在医药与生物信息学领域有着广泛的应用前景，为药物发现和生物信息学研究提供了新的工具和方法。
结论与展望： Transformer模型作为一种强大的深度学习模型，在多个领域都展现出了广泛的应用前景。然而，随着应用场景的不断扩展，仍然存在着一些挑战和问题，例如模型的计算复杂度、数据稀疏性等。未来，我们可以进一步探索Transformer模型的优化方法，提高其在各个领域的性能，并开发出更多基于Transformer的创新应用。
参考文献：
- 彭杨, 朱小飞, 胡冬冬. 基于注意力感知和模态融合的药物-靶点相互作用预测方法. 太原理工大学学报.
- 张羽丰, 杨景, 邓寒冰, 周云成, 苗腾. 基于RGB和深度双模态的温室番茄图像语义分割模型. 农业工程学报.
- 雷涛, 翟钰杰, 许叶彤, 王营博, 公茂果. 基于边缘引导和动态可变形Transformer的遥感图像变化检测. 电子学报.
- 武帅, 杨秀璋, 何琳, 公佐权. 基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究. 数据分析与知识发现.
- 刘伟, 王孟洋, 白宝明. 面向带宽受限场景的高效语义通信方法. 西安电子科技大学学报.
- 刘兵, 李穗, 刘明明, 刘浩. 基于全局与序列混合变分Transformer的多样化图像描述生成方法. 电子学报.
大篇幅撰写指南：
这里为了快速演示，只用了几篇文献，如果有几十篇参考文献，需要：
1.分段输入让G老师进行步骤二，压缩后的文章摘要每篇一两句话；
2.再输入进去，进行步骤三，分类和梳理，这一步可以做得很细，引导它分成几类，甚至先列出表格，类似下表，方便分类分析，形成独特的梳理撰写：
题目Transformer模型自然语言处理图像处理医药与生物信息学基于注意力感知和模态融合的药物-靶点相互作用预测方法[1]✔️✔️基于RGB和深度双模态的温室番茄图像语义分割模型[2]✔️基于边缘引导和动态可变形Transformer的遥感图像变化检测[3]✔️✔️基于句法特征和Bert-BiLSTM-MHA-CRF的细粒度古籍实体识别研究[4]✔️✔️面向带宽受限场景的高效语义通信方法[5]✔️✔️基于全局与序列混合变分Transformer的多样化图像描述生成方法[6]✔️
3.还是分段让它输出综述，每个大类都要单独选取里面的个别文献，进行大篇幅梳理即可！
下课！欢迎课后交流
版权归原作者 科研GGB 所有， 如有侵权，请联系我们删除。