语言:

• 英文
• 代码 标签:
• 代码补全
• 代码生成 许可证: "Apache-2.0"

NLGP文档字符串模型

NLGP文档字符串模型在论文自然语言引导编程中首次提出。该模型基于Jupyter笔记本集合训练而成，可用于根据自然语言意图在特定代码上下文中合成Python代码（参见下方示例）。另请参阅NLGP自然语言模型。

本研究成果由诺基亚贝尔实验室团队完成。

上下文示例

import matplotlib.pyplot as plt

values = [1, 2, 3, 4]
labels = ["a", "b", "c", "d"]

意图描述

# 绘制柱状图

模型预测

plt.bar(labels, values)
plt.show()

使用说明

import re
from transformers import GPT2LMHeadModel, GPT2TokenizerFast

# 加载模型
tok = GPT2TokenizerFast.from_pretrained("Nokia/nlgp-docstring")
model = GPT2LMHeadModel.from_pretrained("Nokia/nlgp-docstring") 

# 预处理函数
num_spaces = [2, 4, 6, 8, 10, 12, 14, 16, 18]
def preprocess(context, query):
    """
    将上下文+查询编码为单个字符串，
    并用特殊标记<|2space|>, <|4space|>等替换空白符
    """
    input_str = f"{context}\n{query} <|endofcomment|>\n"
    indentation_symbols = {n: f"<|{n}space|>" for n in num_spaces}
    m = re.match("^[ ]+", input_str)
    if not m:
        return input_str
    leading_whitespace = m.group(0)
    N = len(leading_whitespace)
    for n in self.num_spaces:
        leading_whitespace = leading_whitespace.replace(n * " ", self.indentation_symbols[n])
    return leading_whitespace + input_str[N:]
    
detokenize_pattern = re.compile(fr"<\|(\d+)space\|>")
def postprocess(output):
    output = output.split("<|cell|>")[0]
    def insert_space(m):
        num_spaces = int(m.group(1))
        return num_spaces * " "
    return detokenize_pattern.sub(insert_space, output)

# 推理示例
code_context = """
import matplotlib.pyplot as plt

values = [1, 2, 3, 4]
labels = ["a", "b", "c", "d"]
"""
query = "# 绘制柱状图"

input_str = preprocess(code_context, query)
input_ids = tok(input_str, return_tensors="pt").input_ids

max_length = 150 # 生成内容不超过该长度
total_max_length = min(1024 - input_ids.shape[-1], input_ids.shape[-1] + 150) # 总长度=输入+输出

input_and_output = model.generate(
    input_ids=input_ids, 
    max_length=total_max_length,
    min_length=10,
    do_sample=False,
    num_beams=4,
    early_stopping=True,
    eos_token_id=tok.encode("<|cell|>")[0]
)

output = input_and_output[:, input_ids.shape[-1]:] # 移除输入字符串对应的标记
output_str = tok.decode(output[0])
postprocess(output_str)

版权与许可

版权所有 © 2021 诺基亚

基于Apache许可证2.0版本授权

SPDX许可证标识符: Apache-2.0