🚀 CodeTrans模型用于API推荐生成

CodeTrans是一个基于t5-small架构的预训练模型，专门用于生成API推荐。它首次发布于this repository，能为Java编程任务生成API使用建议。

🚀 快速开始

本模型可用于生成Java编程任务的API使用建议。以下是使用Transformers的SummarizationPipeline生成Java函数文档的示例代码：

from transformers import AutoTokenizer, AutoModelWithLMHead, SummarizationPipeline

pipeline = SummarizationPipeline(
    model=AutoModelWithLMHead.from_pretrained("SEBIS/code_trans_t5_small_api_generation_multitask_finetune"),
    tokenizer=AutoTokenizer.from_pretrained("SEBIS/code_trans_t5_small_api_generation_multitask_finetune", skip_special_tokens=True),
    device=0
)

tokenized_code = "parse the uses licence node of this package , if any , and returns the license definition if theres"
pipeline([tokenized_code])

你可以在colab notebook中运行此示例。

✨ 主要特性

• 架构基础：基于t5-small模型构建，拥有自己的SentencePiece词汇模型。
• 多任务训练：在软件开发领域的13个监督任务和7个无监督数据集上进行多任务训练。
• 微调优化：针对Java API的API推荐生成任务进行了微调。

📦 安装指南

文档未提及具体安装步骤，暂无法提供。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModelWithLMHead, SummarizationPipeline

pipeline = SummarizationPipeline(
    model=AutoModelWithLMHead.from_pretrained("SEBIS/code_trans_t5_small_api_generation_multitask_finetune"),
    tokenizer=AutoTokenizer.from_pretrained("SEBIS/code_trans_t5_small_api_generation_multitask_finetune", skip_special_tokens=True),
    device=0
)

tokenized_code = "parse the uses licence node of this package , if any , and returns the license definition if theres"
pipeline([tokenized_code])

📚 详细文档

模型描述

本CodeTrans模型基于t5-small模型，拥有自己的SentencePiece词汇模型。它在软件开发领域的13个监督任务和7个无监督数据集上进行了多任务训练，然后针对Java API的API推荐生成任务进行了微调。

预期用途和限制

该模型可用于为Java编程任务生成API使用建议。

训练数据

有监督训练任务的数据集可从Link下载。

训练过程

多任务预训练

模型在单个TPU Pod V3 - 8上总共训练了500,000步，使用序列长度512（批量大小4096）。它总共有约2.2亿个参数，采用编码器 - 解码器架构进行训练。预训练使用的优化器是AdaFactor，采用逆平方根学习率调度。

微调

该模型随后在单个TPU Pod V2 - 8上总共微调了1,150,000步，使用序列长度512（批量大小256），仅使用包含API推荐生成数据的数据集。

评估结果

对于代码文档任务，不同模型在不同编程语言上取得了以下结果（以BLEU分数计）：

🔧 技术细节

• 模型架构：基于t5-small的编码器 - 解码器架构。
• 词汇模型：使用SentencePiece词汇模型。
• 训练设备：预训练使用TPU Pod V3 - 8，微调使用TPU Pod V2 - 8。
• 训练步数：预训练500,000步，微调1,150,000步。
• 序列长度和批量大小：预训练序列长度512，批量大小4096；微调序列长度512，批量大小256。
• 优化器：预训练使用AdaFactor优化器，采用逆平方根学习率调度。

📄 许可证

文档未提及许可证信息，暂无法提供。

由Ahmed Elnaggar | LinkedIn 和 Wei Ding | LinkedIn 创建