标签:

• 摘要生成 小部件:
• 文本: "func ( pr * Progress ) needSnapshotAbort ( ) bool { return pr . State == ProgressStateSnapshot && pr . Match >= pr . PendingSnapshot }"

用于Go代码文档生成的CodeTrans模型

该模型是基于T5基础架构、针对Go编程语言进行预训练的模型，最初发布于此代码库。该模型在经分词的Go代码函数上进行训练，对经过分词的Go函数处理效果最佳。

模型描述

本CodeTrans模型基于t5-base模型构建，拥有独立的SentencePiece词汇模型。通过软件工程领域的13项有监督任务和7个无监督数据集进行多任务训练，最终针对Go函数/方法的代码文档生成任务进行微调。

使用场景与限制

该模型可用于生成Go函数描述，或针对其他Go代码任务进行微调。支持处理未解析和未分词的Go代码，但对已分词的Go代码表现更优。

使用方法

通过Transformers的SummarizationPipeline生成Go函数文档：

from transformers import AutoTokenizer, AutoModelWithLMHead, SummarizationPipeline

pipeline = SummarizationPipeline(
    model=AutoModelWithLMHead.from_pretrained("SEBIS/code_trans_t5_base_code_documentation_generation_go_multitask_finetune"),
    tokenizer=AutoTokenizer.from_pretrained("SEBIS/code_trans_t5_base_code_documentation_generation_go_multitask_finetune", skip_special_tokens=True),
    device=0
)

tokenized_code = "func ( pr * Progress ) needSnapshotAbort ( ) bool { return pr . State == ProgressStateSnapshot && pr . Match >= pr . PendingSnapshot   }"
pipeline([tokenized_code])

可在Colab笔记本中运行此示例。

训练数据

有监督训练任务数据集可从此链接下载。

训练流程

多任务预训练

模型在TPU Pod V3-8上完成总计50万步训练，使用512序列长度（批量大小4096）。采用编码器-解码器架构，参数量约2.2亿，使用AdaFactor优化器配合平方根倒数学习率调度进行预训练。

微调阶段

随后在TPU Pod V2-8上进行2000步微调，序列长度512（批量大小256），仅使用包含Go代码的数据集。

评估结果

不同模型在代码文档生成任务中各编程语言的BLEU评分表现：

测试结果：

由Ahmed Elnaggar | LinkedIn和Wei Ding | LinkedIn创建