Nhiệt độ: 0.1

Dịch code Bash dưới đây sang một đoạn Python.
```bash
#!/bin/bash
echo "Nhập tên thư mục: "
read folder_name
if [ ! -d "$folder_name" ]; then
echo "Thư mục không tồn tại."
exit 1
fi
files=( "$folder_name"/* )
for file in "${files[@]}"; do
new_file_name="draft_$(basename "$file")"
mv "$file" "$new_file_name"
done
echo "Các tệp đã được đổi tên thành công."

```python
import os
import shutil
# Lấy tên thư mục từ người dùng
folder_name = input("Nhập tên thư mục: ")
# Kiểm tra xem thư mục có tồn tại không
if not os.path.isdir(folder_name):
print("Thư mục không tồn tại.")
exit(1)
# Lấy danh sách tất cả các tệp trong thư mục
files = os.listdir(folder_name)
# Lặp qua các tệp
for file in files:
# Tạo tên tệp mới với tiền tố "draft_"
new_file_name = f"draft_{file}"
# Di chuyển tệp đến tên mới
shutil.move(os.path.join(folder_name, file),
os.path.join(folder_name, new_file_name))
# In thông báo thành công
print("Các tệp đã được đổi tên thành công.")
```

Đảm bảo rằng các ví dụ của bạn bao gồm nhiều lớp khác nhau và chúng được trình bày theo thứ tự ngẫu nhiên, không theo một mẫu cụ thể.

Điều này là vì bạn có thể overfitting với thứ tự cụ thể của các ví dụ. Bằng cách trộn các lớp phản hồi có thể có, bạn có thể đảm bảo rằng mô hình đang học để xác định các tính năng chính của mỗi lớp.

Một quy tắc chung là bắt đầu với 6 ví dụ few shot và bắt đầu kiểm tra độ chính xác từ đó.