CN116306672A

CN116306672A - 一种数据处理方法及其装置

Info

Publication number: CN116306672A
Application number: CN202310227307.4A
Authority: CN
Inventors: 郭寅鹏; 肖猛; 王雅圣
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2023-02-28
Filing date: 2023-02-28
Publication date: 2023-06-23

Abstract

一种数据处理方法，涉及人工智能领域，包括：获取第一文本，所述第一文本为程序代码；根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型；根据所述第一编辑位置以及所述第一文本中处于所述第一编辑位置的上下文代码，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码。本申请通过第一神经网络来预测代码中需要进行编辑的位置以及编辑的动作，之后基于编辑信息来进行代码合成，进而可以实现编辑位置的预测，从而实现代码的编辑，此外，除了可以实现代码编辑的功能之外，还可以兼容基于编辑的多任务代码生成，例如、代码补全、代码插入、代码摘要生成等。

Description

一种数据处理方法及其装置

技术领域

本申请涉及人工智能领域，尤其涉及一种数据处理方法及其装置。

背景技术

语言模型(languagemodel)是指能够根据一部分给定的语义片段，预测句子中的未知词的模型。例如：给定的自然语言序列片段“华为__很不错。”，语言模型可以根据该片段生成未知的词语，如该例子中语言模型可基于给定片段生成“手机”一词，进而得到句子为“华为手机很不错。”。

语言模型的预训练是指通过海量的语言序列语料，训练对应的语言模型，使得语言模型具备预测某个位置某个语言单位出现概率的能力。

程序合成指的是由一定的软件程序来自动合成具有指定功能或者结构的指定程序语言序列，简而言之就是由程序来生成程序，总体上分为程序合成(代码生成)以及代码补全两种。程序合成，即从无到有，可以按一定的自然语言描述或预设的功能描述，生成对应的代码。代码补全，即在已有的代码序列上文基础上，继续生成下文代码序列。

基于专家规则或深度学习的代码生成、补全方法。前者基于专家人工书写的模板规则，对输入文本、代码进行理解，并生成、补全与输入相应的代码。后者基于大规模无标注的代码、注释文本数据，采用深度神经网络进行大规模预训练及统计学习，从而实现对输入文本、代码的理解，并补全、插入相应的代码。

然而，现有的模型仅可实现代码补全、插入等任务，无法实现代码编辑。

发明内容

本申请提供了一种数据处理方法，可以实现代码编辑，此外，除了可以实现代码编辑的功能之外，还可以兼容基于编辑的多任务代码生成，例如、代码补全、代码插入、代码摘要生成等。

第一方面，本申请提供了一种数据处理方法，所述方法包括：获取第一文本，所述第一文本为程序代码；根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型；根据所述第一编辑位置以及所述第一文本中处于所述第一编辑位置的上下文代码，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码；其中，在所述编辑动作类型为代码替换时，所述第一编辑位置为所述第一文本中的部分代码，所述目标代码用于替换所述第一文本中的部分代码，在所述编辑动作类型为代码插入时，所述第一编辑位置位于所述第一文本中相邻字符之间的位置，所述目标代码用于插入到所述第一编辑位置。

通过上述方式，通过第一神经网络来预测代码中需要进行编辑的位置以及编辑的动作，之后基于编辑信息来进行代码合成，进而可以实现编辑位置的预测，以及在不指定编辑类型的情况下，实现代码的编辑。

在一种可能的实现中，在所述编辑动作类型为代码删除时，所述第二编辑位置为所述第一文本中的部分代码；所述目标代码用于删除所述第一文本中的部分代码。

在一种可能的实现中，所述方法还包括：获取第二文本以及第一请求，所述第二文本为程序代码对应的属性描述，所述第一请求用于指示生成所述第二文本对应的程序代码；根据所述第二文本以及所述第一请求，通过所述自然语言生成模型，预测所述第二文本对应的程序代码。

本申请实施例中的自然语言生成模型具备基于代码的属性信息生成代码的能力。第二文本可以为自然语言，例如可以是任意的人类沟通时使用的语言。

在一种可能的实现中，所述属性描述包括程序代码的功能描述或者程序代码的实现原理。

在一种可能的实现中，所述方法还包括：获取第三文本以及第二请求，所述第三文本为程序代码，所述第二请求用于指示生成以所述第三文本为上下文代码的插入代码；根据所述第三文本以及所述第二请求，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码。

本申请实施例中的自然语言生成模型具备基于以输入代码为上下文而进行代码合成的能力(具体可以通过训练过程来使得模型具备上述能力)。

在一种可能的实现中，所述方法还包括：获取第四文本以及第三请求，所述第四文本为程序代码，所述第三请求用于指示生成所述第四文本对应的属性描述；根据所述第四文本以及所述第三请求，通过所述自然语言生成模型，预测所述第四文本对应的属性描述。

本申请实施例中的自然语言生成模型还可以具备根据代码生成对应的属性描述的能力(具体可以通过训练过程来使得模型具备上述能力)。

在一种可能的实现中，所述方法还包括：获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；所述根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型，包括：根据所述第一文本以及所述特征表示，通过第一神经网络，预测第一编辑位置以及编辑动作类型。

在一种可能的实现中，第一文本可能存在多个历史的编辑版本(也就是历史代码版本)，所谓多个历史代码版本可以理解为是对第一文本的原始文本进行了多次修改，每次修改或者每几次修改可以得到一个历史代码版本。第一神经网络在预测第一文本中的编辑信息时，除了根据第一文本之外，还可以根据第一文本之前的历史代码版本。通过上述方式，可以提高代码合成的精度。

在一种可能的实现中，所述第二神经网络为图神经网络。

在一种可能的实现中，第一文本可能存在多个历史的编辑版本(也就是历史代码版本)，所谓多个历史代码版本可以理解为是对第一文本的原始文本进行了多次修改，每次修改或者每几次修改可以得到一个历史代码版本。自然语言生成模型在预测第一编辑位置对应的代码时，除了根据第一文本之外，还可以根据第一文本之前的历史代码版本。通过上述方式，可以提高代码合成的精度。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；进而，可以根据所述第一编辑位置、所述第一文本中处于所述第一编辑位置的上下文代码以及所述特征表示，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码。

在一种可能的实现中，所述方法还包括：

获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；

根据所述至少一个历史文本，通过第二神经网络，得到特征表示；

根据所述第二文本以及所述第一请求，通过所述自然语言生成模型，预测所述第二文本对应的程序代码，包括：

根据所述第二文本、所述第一请求以及所述特征表示，通过所述自然语言生成模型，预测所述第二文本对应的程序代码。

在一种可能的实现中，所述方法还包括：

所述根据所述第三文本以及所述第二请求，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码，包括：

根据所述第三文本、所述第二请求以及所述特征表示，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码。

在一种可能的实现中，所述方法还包括：

所述根据所述第四文本以及所述第三请求，通过所述自然语言生成模型，预测所述第四文本对应的属性描述，包括：

根据所述第四文本、所述第三请求以及所述特征表示，通过所述自然语言生成模型，预测所述第四文本对应的属性描述。

第二方面，本申请提供了一种数据处理方法，包括：

获取第一文本和第二文本，所述第一文本和所述第二文本为程序代码；

根据所述第一文本和所述第二文本，确定目标编辑位置以及目标编辑动作类型；所述目标编辑位置以及所述目标编辑动作类型为将所述第一文本修改为所述第二文本对应的编辑信息；

根据所述第一文本，通过第一神经网络，预测第一编辑位置以及第一编辑动作类型；

根据所述第一编辑位置以及所述第一文本中处于所述第一编辑位置的上下文代码，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码；

根据所述目标编辑位置和所述第一编辑位置、所述目标编辑动作类型和所述第一编辑动作类型，确定第一损失；所述第一损失用于更新所述第一神经网络；

根据所述第二文本和所述目标代码，确定第二损失；所述第一损失用于更新所述自然语言生成模型。

在一种可能的实现中，在所述第一编辑动作类型为代码替换时，所述第一编辑位置为所述第一文本中的部分代码，所述目标代码用于替换所述第一文本中的部分代码，在所述第一编辑动作类型为代码插入时，所述第一编辑位置位于所述第一文本中相邻字符之间的位置，所述目标代码用于插入到所述第一编辑位置。

在一种可能的实现中，在所述第一编辑动作类型为代码删除时，所述第二编辑位置为所述第一文本中的部分代码；所述目标代码用于删除所述第一文本中的部分代码。

在一种可能的实现中，所述方法还包括：

获取第三文本以及第四文本，所述第三文本为程序代码对应的属性描述；所述第四文本为所述第三文本对应的程序代码；根据所述第三文本，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果；根据所述预测结果和所述第四文本，确定第三损失；所述第三损失用于更新所述自然语言生成模型。

在一种可能的实现中，所述方法还包括：

获取第五文本以及第六文本，所述第五文本和所述第六文本为程序代码；根据所述第五文本，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码；根据所述插入代码和所述第六文本，确定第四损失；所述第四损失用于更新所述自然语言生成模型。

在一种可能的实现中，所述方法还包括：

获取第七文本以及第八文本，所述第七文本为程序代码，所述第八文本为所述第七文本对应的属性描述；根据所述第七文本，通过所述自然语言生成模型，预测所述第七文本对应的属性描述；根据所述第七文本对应的属性描述的预测结果和所述第八文本，确定第五损失；所述第五损失用于更新所述自然语言生成模型。

在一种可能的实现中，所述方法还包括：

所述根据所述第一文本，通过第一神经网络，预测第一编辑位置以及第一编辑动作类型，包括：

根据所述第一文本以及所述特征表示，通过第一神经网络，预测第一编辑位置以及第一编辑动作类型。

在一种可能的实现中，所述第二神经网络为图神经网络。

在一种可能的实现中，所述方法还包括：

所述根据所述第三文本，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果，包括：

根据所述第三文本以及所述特征表示，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果。

在一种可能的实现中，所述方法还包括：

所述根据所述第五文本，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码，包括：

根据所述第五文本以及所述特征表示，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码。

在一种可能的实现中，所述方法还包括：

所述根据所述第七文本，通过所述自然语言生成模型，预测所述第七文本对应的属性描述，包括：

根据所述第七文本以及所述特征表示，通过所述自然语言生成模型，预测所述第七文本对应的属性描述。

第三方面，本申请提供了一种数据处理装置，所述装置包括：

获取模块，用于获取第一文本，所述第一文本为程序代码；

处理模块，用于根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型；

其中，在所述编辑动作类型为代码替换时，所述第一编辑位置为所述第一文本中的部分代码，所述目标代码用于替换所述第一文本中的部分代码，在所述编辑动作类型为代码插入时，所述第一编辑位置位于所述第一文本中相邻字符之间的位置，所述目标代码用于插入到所述第一编辑位置。

在一种可能的实现中，所述获取模块，还用于：

获取第二文本以及第一请求，所述第二文本为程序代码对应的属性描述，所述第一请求用于指示生成所述第二文本对应的程序代码；

所述处理模块，还用于根据所述第二文本以及所述第一请求，通过所述自然语言生成模型，预测所述第二文本对应的程序代码。

在一种可能的实现中，所述获取模块，还用于：

获取第三文本以及第二请求，所述第三文本为程序代码，所述第二请求用于指示生成以所述第三文本为上下文代码的插入代码；

所述处理模块，还用于根据所述第三文本以及所述第二请求，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码。

在一种可能的实现中，所述获取模块，还用于：

获取第四文本以及第三请求，所述第四文本为程序代码，所述第三请求用于指示生成所述第四文本对应的属性描述；

所述处理模块，还用于根据所述第四文本以及所述第三请求，通过所述自然语言生成模型，预测所述第四文本对应的属性描述。

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，还用于根据所述至少一个历史文本，通过第二神经网络，得到特征表示；

所述处理模块，具体用于：

根据所述第一文本以及所述特征表示，通过第一神经网络，预测第一编辑位置以及编辑动作类型。

在一种可能的实现中，所述第二神经网络为图神经网络。

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，具体用于：

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，具体用于：

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，具体用于：

第四方面，本申请提供了一种模型训练装置，包括：

获取模块，用于获取第一文本和第二文本，所述第一文本和所述第二文本为程序代码；

处理模块，用于根据所述第一文本和所述第二文本，确定目标编辑位置以及目标编辑动作类型；所述目标编辑位置以及所述目标编辑动作类型为将所述第一文本修改为所述第二文本对应的编辑信息；

在一种可能的实现中，

所述获取模块，还用于：获取第三文本以及第四文本，所述第三文本为程序代码对应的属性描述；所述第四文本为所述第三文本对应的程序代码；所述处理模块，还用于：根据所述第三文本，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果；根据所述预测结果和所述第四文本，确定第三损失；所述第三损失用于更新所述自然语言生成模型；或者，

所述获取模块，还用于：获取第五文本以及第六文本，所述第五文本和所述第六文本为程序代码；所述处理模块，还用于：根据所述第五文本，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码；根据所述插入代码和所述第六文本，确定第四损失；所述第四损失用于更新所述自然语言生成模型；或者，

所述获取模块，还用于：获取第七文本以及第八文本，所述第七文本为程序代码，所述第八文本为所述第七文本对应的属性描述；所述处理模块，还用于：根据所述第七文本，通过所述自然语言生成模型，预测所述第七文本对应的属性描述；根据所述第七文本对应的属性描述的预测结果和所述第八文本，确定第五损失；所述第五损失用于更新所述自然语言生成模型。

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，具体用于根据所述第一文本以及所述特征表示，通过第一神经网络，预测第一编辑位置以及第一编辑动作类型。

在一种可能的实现中，所述第二神经网络为图神经网络。

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，具体用于根据所述第三文本以及所述特征表示，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果。

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，具体用于根据所述第五文本以及所述特征表示，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码。

在一种可能的实现中，所述获取模块，还用于：

所述处理模块，具体用于根据所述第七文本以及所述特征表示，通过所述自然语言生成模型，预测所述第七文本对应的属性描述。

第五方面，本申请实施例提供了一种模型训练装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法。

第六方面，本申请实施例提供了一种模型训练装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法。

第七方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、以及上述第二方面及其任一可选的方法。

第八方面，本申请实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、以及上述第二方面及其任一可选的方法。

第九方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持执行设备或训练设备实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。

附图说明

图1A为人工智能主体框架的一种结构示意图；

图1B和至图1C为本发明的应用系统框架示意；

图1D为终端的一种可选的硬件结构示意图；

图2为一种服务器的结构示意图；

图3至图5为本申请的一种系统架构示意；

图6为一种云服务的流程；

图7为一种云服务的流程；

图8为本申请的一种系统架构示意；

图9为本申请实施例提供的一种数据处理方法的流程示意；

图10为本申请实施例提供的一种数据处理方法的流程示意；

图11至图13为本申请实施例提供的文本示意；

图14为本申请实施例提供的一种架构示意；

图15至图21为本申请实施例提供的文本示意；

图22和图23为模型的一个示意；

图24为本申请实施例提供的数据处理装置的一种结构示意图；

图25为本申请实施例提供的模型训练装置的一种结构示意图；

图26为本申请实施例提供的执行设备的一种结构示意图；

图27为本申请实施例提供的训练设备一种结构示意图；

图28为本申请实施例提供的芯片的一种结构示意图。

具体实施方式

下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。

下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

本文中所用用语“基本(substantially)”、“大约(about)”及类似用语用作近似用语、而并非用作程度用语，且旨在考虑到所属领域中的普通技术人员将知的测量值或计算值的固有偏差。此外，在阐述本发明实施例时使用“可(may)”是指“可能的一个或多个实施例”。本文中所用用语“使用(use)”、“正使用(using)”、及“被使用(used)”可被视为分别与用语“利用(utilize)”、“正利用(utilizing)”、及“被利用(utilized)”同义。另外，用语“示例性(exemplary)”旨在指代实例或例示。

首先对人工智能系统总体工作流程进行描述，请参见图1A，图1A示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

本申请可以应用于人工智能领域的自然语言处理领域中，下面以自然语言处理为例将对多个落地到产品的多个应用场景进行介绍。

首先介绍本申请的应用场景，本申请可以但不限于应用在包含基于代码的属性描述进行的程序合成功能、代码补全功能、代码编辑功能、基于代码生成属性描述的功能等的应用程序(以下可以简称为程序编辑类应用程序)或者云侧服务器提供的云服务等，接下来分别进行介绍：

一、程序编辑类应用程序

本申请实施例的产品形态可以为程序编辑类应用程序。程序编辑类应用程序可以运行在终端设备或者云侧的服务器上。

在一种可能的实现中，程序编辑类应用程序可以实现基于代码的属性描述(或者可以称之为提示)进行的程序合成、代码补全、代码编辑、基于代码生成属性描述(也可以称之为代码的摘要生成)的任务。

示例性的，程序编辑类应用程序可以响应于输入的代码的属性描述(或者可以称之为提示)而执行程序合成的任务，得到预测文本(也就是生成的代码程序)，生成的代码程序可以符合代码的属性描述。

示例性的，程序编辑类应用程序可以响应于输入的代码而执行代码补全的任务，得到预测文本(也就是生成的代码程序)，生成的代码程序是以输入的代码为上下文代码生成的。

示例性的，程序编辑类应用程序可以响应于输入的代码以及代码编辑指令(可选的)而进行代码编辑的任务，得到编辑位置(代码编辑可以包括代码插入、代码替换以及代码删除，在代码插入和代码替换时，代码编辑任务的结果还可以包括插入的代码)。

应理解，代码编辑类可以应用于代码纠错或者是代码自动生成等场景。

在一种可能的实现中，用户可以打开终端设备上安装的程序编辑类应用程序，并输入代码的属性描述，程序编辑类应用程序可以通过本申请实施例提供的方法训练得到的自然语言模型对代码的属性描述进行程序合成或者代码补全，并将预测文本(也就是生成的代码程序)呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。

在一种可能的实现中，用户可以打开终端设备上安装的程序编辑类应用程序，并输入代码，程序编辑类应用程序可以通过本申请实施例提供的方法训练得到的模型对代码进行代码编辑，并将编辑结果呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。

在一种可能的实现中，用户可以打开终端设备上安装的程序编辑类应用程序，并输入代码的属性描述，程序编辑类应用程序可以将代码的属性描述发送至云侧的服务器，云侧的服务器通过本申请实施例提供的方法训练得到的自然语言模型对代码的属性描述进行程序合成或者代码补全，并将预测文本(也就是生成的代码程序)回传至终端设备，终端设备可以将预测文本(也就是生成的代码程序)呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。

在一种可能的实现中，用户可以打开终端设备上安装的程序编辑类应用程序，并输入代码，程序编辑类应用程序可以将代码发送至云侧的服务器，云侧的服务器通过本申请实施例提供的方法训练得到的模型对代码进行代码编辑，并将编辑结果回传至终端设备，终端设备可以将编辑结果呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。

接下来分别从功能架构以及实现功能的产品架构介绍本申请实施例中的程序编辑类应用程序。

参照图1B，图1B为本申请实施例中程序编辑类应用程序的功能架构示意：

在一种可能的实现中，如图1B所示，程序编辑类应用程序102可接收输入的参数101(例如包含代码的属性描述、或者是代码)且产生预测文本103或者是代码编辑结果。程序编辑类应用程序102可在(举例来说)至少一个计算机系统上执行，且包括计算机代码，所述计算机代码在由一或多个计算机执行时致使所述计算机执行用于执行通过本申请实施例提供的方法训练得到的自然语言模型。

参照图1C，图1C为本申请实施例中运行程序编辑类应用程序的实体架构示意：

参见图1C，图1C示出了一种系统架构示意图。该系统可以包括终端100、以及服务器200。其中，服务器200可以包括一个或者多个服务器(图1C中以包括一个服务器作为示例进行说明)，服务器200可以为一个或者多个终端提供程序合成功能服务。

其中，终端100上可以安装有程序编辑类应用程序，或者打开与程序合成功能相关的网页，上述应用程序和网页可以提供一个界面，终端100可以接收用户在程序合成功能界面上输入的相关参数，并将上述参数发送至服务器200，服务器200可以基于接收到的参数，得到处理结果，并将处理结果返回至至终端100。

应理解，在一些可选的实现中，终端100也可以由自身完成基于接收到的参数，得到处理结果的动作，而不需要服务器配合实现，本申请实施例并不限定。

接下来描述图1C中终端100的产品形态；

本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等，本申请实施例对此不作任何限制。

图1D示出了终端100的一种可选的硬件结构示意图。

参考图1D所示，终端100可以包括射频单元110、存储器120、输入单元130、显示单元140、摄像头150(可选的)、音频电路160(可选的)、扬声器161(可选的)、麦克风162(可选的)、处理器170、外部接口180、电源190等部件。本领域技术人员可以理解，图1D仅仅是终端或多功能设备的举例，并不构成对终端或多功能设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

输入单元130可用于接收输入的数字或字符信息，以及产生与该便携式多功能装置的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触摸屏131(可选的)和/或其他输入设备132。该触摸屏131可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作)，并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作，将该触摸动作转换为触摸信号发送给该处理器170，并能接收该处理器170发来的命令并加以执行；该触摸信号至少包括触点坐标信息。该触摸屏131可以提供该终端100和用户之间的输入界面和输出界面。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏131，输入单元130还可以包括其他输入设备。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键132、开关按键133等)、轨迹球、鼠标、操作杆等中的一种或多种。

其中，输入设备132可以接收到输入的代码的属性描述、代码、编辑指令等等。

该显示单元140可用于显示由用户输入的信息或提供给用户的信息、终端100的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。在本申请实施例中，显示单元140可用于显示程序编辑类应用程序的界面等。

该存储器120可用于存储指令和数据，存储器120可主要包括存储指令区和存储数据区，存储数据区可存储各种数据，如多媒体文件、文本等；存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元，或者他们的子集、扩展集。还可以包括非易失性随机存储器；向处理器170提供包括管理计算处理设备中的硬件、软件以及数据资源，支持控制软件和应用。还用于多媒体文件的存储，以及运行程序和应用的存储。

处理器170是终端100的控制中心，利用各种接口和线路连接整个终端100的各个部分，通过运行或执行存储在存储器120内的指令以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据，从而对终端设备进行整体控制。可选的，处理器170可包括一个或多个处理单元；优选的，处理器170可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器170中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，他们也可以在独立的芯片上分别实现。处理器170还可以用于产生相应的操作控制信号，发给计算处理设备相应的部件，读取以及处理软件中的数据，尤其是读取和处理存储器120中的数据和程序，以使其中的各个功能模块执行相应的功能，从而控制相应的部件按指令的要求进行动作。

其中，存储器120可以用于存储数据处理方法相关的软件代码，处理器170可以执行芯片的数据处理方法的步骤，也可以调度其他单元(例如上述输入单元130以及显示单元140)以实现相应的功能。

该射频单元110(可选的)可用于收发信息或通话过程中信号的接收和发送，例如，将基站的下行信息接收后，给处理器170处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，射频单元110还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(General PacketRadio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

其中，在本申请实施例中，该射频单元110可以将代码的属性描述或者代码发送至服务器200，并接收到服务器200发送的预测文本或者编辑结果等。

应理解，该射频单元110为可选的，其可以被替换为其他通信接口，例如可以是网口。

终端100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器170逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

终端100还包括外部接口180，该外部接口可以是标准的Micro USB接口，也可以使多针连接器，可以用于连接终端100与其他装置进行通信，也可以用于连接充电器为终端100充电。

尽管未示出，终端100还可以包括闪光灯、无线保真(wireless fidelity，WiFi)模块、蓝牙模块、不同功能的传感器等，在此不再赘述。下文中描述的部分或全部方法均可以应用在如图1D所示的终端100中。

接下来描述图1C中服务器200的产品形态；

图2提供了一种服务器200的结构示意图，如图2所示，服务器200包括总线201、处理器202、通信接口203和存储器204。处理器202、存储器204和通信接口203之间通过总线201通信。

总线201可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器202可以为中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、微处理器(micro processor，MP)或者数字信号处理器(digital signal processor，DSP)等处理器中的任意一种或多种。

存储器204可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。存储器204还可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器，机械硬盘(hard drivedrive，HDD)或固态硬盘(solid state drive，SSD)。

其中，存储器204可以用于存储数据处理方法相关的软件代码，处理器202可以执行芯片的数据处理方法的步骤，也可以调度其他单元以实现相应的功能。

应理解，上述终端100和服务器200可以为集中式或者是分布式的设备，上述终端100和服务器200中的处理器(例如处理器170以及处理器202)可以为硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，处理器可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。

应理解，本申请实施例中的和模型推理过程相关的步骤涉及AI相关的运算，在执行AI运算时，终端设备和服务器的指令执行架构不仅仅局限在上述介绍的处理器结合存储器的架构。下面结合图5对本申请实施例提供的系统架构进行详细的介绍。

图5为本申请实施例提供的系统架构示意图。如图5所示，系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。

执行设备510包括计算模块511、I/O接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501，预处理模块513和预处理模块514是可选的。

其中，执行设备510可以为上述运行程序编辑类应用程序的终端设备或者服务器。

数据采集设备560用于采集训练样本。训练样本可以为程序文件(包括程序代码以及程序代码的属性描述)等。在采集到训练样本之后，数据采集设备560将这些训练样本存入数据库530。

训练设备520可以基于数据库530中维护训练样本，对待训练的神经网络(例如本申请实施例中的自然语言模型等)，以得到目标模型/规则501。

需要说明的是，在实际应用中，数据库530中维护的训练样本不一定都来自于数据采集设备560的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练，也有可能从云端或其他地方获取训练样本进行模型训练，上述描述不应该作为对本申请实施例的限定。

根据训练设备520训练得到的目标模型/规则501可以应用于不同的系统或设备中，如应用于图5所示的执行设备510，该执行设备510可以是终端，如手机终端，平板电脑，笔记本电脑，增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备，车载终端等，还可以是服务器等。

具体的，训练设备520可以将训练后的模型传递至执行设备510。

在图5中，执行设备510配置输入/输出(input/output，I/O)接口512，用于与外部设备进行数据交互，用户可以通过客户设备540向I/O接口512输入数据(例如本申请实施例中代码的属性描述、代码、代码编辑指令等)。

预处理模块513和预处理模块514用于根据I/O接口512接收到的输入数据进行预处理。应理解，可以没有预处理模块513和预处理模块514或者只有的一个预处理模块。当不存在预处理模块513和预处理模块514时，可以直接采用计算模块511对输入数据进行处理。

在执行设备510对输入数据进行预处理，或者在执行设备510的计算模块511执行计算等相关的处理过程中，执行设备510可以调用数据存储系统550中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统550中。

最后，I/O接口512将处理结果提供给客户设备540，从而提供给用户。

在图5所示情况下，用户可以手动给定输入数据，该“手动给定输入数据”可以通过I/O接口512提供的界面进行操作。另一种情况下，客户设备540可以自动地向I/O接口512发送输入数据，如果要求客户设备540自动发送输入数据需要获得用户的授权，则用户可以在客户设备540中设置相应权限。用户可以在客户设备540查看执行设备510输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备540也可以作为数据采集端，采集如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果作为新的样本数据，并存入数据库530。当然，也可以不经过客户设备540进行采集，而是由I/O接口512直接将如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果，作为新的样本数据存入数据库530。

值得注意的是，图5仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图5中，数据存储系统550相对执行设备510是外部存储器，在其它情况下，也可以将数据存储系统550置于执行设备510中。应理解，上述执行设备510可以部署于客户设备540中。

从模型的推理侧来说：

本申请实施例中，上述执行设备520的计算模块511可以获取到数据存储系统550中存储的代码来实现本申请实施例中的和模型推理过程相关的步骤。

本申请实施例中，执行设备520的计算模块511可以包括硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。

具体的，执行设备520的计算模块511可以为具有执行指令功能的硬件系统，本申请实施例提供的和模型推理过程相关的步骤可以为存储在存储器中的软件代码，执行设备520的计算模块511可以从存储器中获取到软件代码，并执行获取到的软件代码来实现本申请实施例提供的和模型推理过程相关的步骤。

应理解，执行设备520的计算模块511可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的和模型推理过程相关的步骤的部分步骤还可以通过执行设备520的计算模块511中不具有执行指令功能的硬件系统来实现，这里并不限定。

从模型的训练侧来说：

本申请实施例中，上述训练设备520可以获取到存储器(图5中未示出，可以集成于训练设备520或者与训练设备520分离部署)中存储的代码来实现本申请实施例中和模型训练相关的步骤。

本申请实施例中，训练设备520可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gatearray，FPGA)、通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。

应理解，训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现，这里并不限定。

二、服务器提供的代码编辑功能类云服务：

在一种可能的实现中，服务器可以通过应用程序编程接口(applicationprogramming interface，API)为端侧提供代码编辑功能的服务。

其中，终端设备可以通过云端提供的API，将相关参数(例如包含代码的属性描述、代码)发送至服务器，服务器可以基于接收到的参数，得到处理结果，并将处理结果返回至至终端。

关于终端以及服务器的描述可以上述实施例的描述，这里不再赘述。

如图6示出了使用一项云平台提供的程序合成功能类云服务的流程。

1.开通并购买内容审核服务。

2.用户可以下载内容审核服务对应的软件开发工具包(software developmentkit，SDK)，通常云平台提供多个开发版本的SDK，供用户根据开发环境的需求选择，例如JAVA版本的SDK、python版本的SDK、PHP版本的SDK、Android版本的SDK等。

3.用户根据需求下载对应版本的SDK到本地后，将SDK工程导入至本地开发环境，在本地开发环境中进行配置和调试，本地开发环境还可以进行其他功能的开发，使得形成一个集合了程序合成功能类能力的应用。

4.程序合成功能类应用在被使用的过程中，当需要进行程序合成功能时，可以触发程序合成功能的API调用。当应用触发程序合成功能功能时，发起API请求至云环境中的程序合成功能类服务的运行实例，其中，API请求中携带代码的属性描述或者代码，由云环境中的运行实例对代码的属性描述进行处理，获得处理结果。

5.云环境将处理结果返回至应用，由此完成一次的程序合成功能服务调用。

三、服务器提供的模型训练类云服务：

在一种可能的实现中，服务器可以基于客户提供的训练数据(例如可以包括程序代码以及代码的属性描述)，来提供一个适配于该代码程序的领域的程序合成功能的模型。

在一种可能的实现中，服务器可以通过应用程序编程接口(applicationprogramming interface，API)为端侧提供模型训练的服务。

其中，终端设备可以通过云端提供的API，将相关参数(例如代码的属性描述、代码等)发送至服务器，服务器可以基于接收到的参数，得到处理结果，并将处理结果(例如适配于该代码程序的领域的代码编辑功能的模型等)返回至终端。

如图7示出了使用一项云平台提供的模型训练类云服务的流程。

四、联邦训练

联邦学习分为模型下发和模型上传两个步骤，中心节点将模型通过网络下发至终端设备；各终端设备利用本地数据计算模型的梯度；各分布式节点将梯度加密后上传至中心节点；中心节点汇总各终端分布式节点的梯度，并采用参数平均算法更新中心节点模型的参数。

参见图8，图8为本申请实施例提供的一种数据处理方法的架构示意，如图8所示，本申请实施例提供的架构包括：云侧中心节点，例如可以是云侧的服务器。A1、A2、…为类型为A的分布式节点，如用户持有的手机产品。B1、B2、…为类型为B的分布式节点，如用户持有的个人电脑。在经过分布式节点的管理员(如手机、电脑的用户)同意后，分布式节点的管理员自愿在隐私得到保护的情况下共享其日常使用设备的过程中产生的数据，加入到模型训练计划，设备成为架构中的分布式节点。本实施例中的系统也可以包含更多类型的分布式节点，如智能手表等等。为保护数据隐私，分布式节点不会将数据上传至中心节点，仅在本地保存数据。分布式节点通过通信网络与云服务器连接。云侧中心节点可以运行大模型，而各分布式节点受硬件能力限制只能运行小模型，且A和B可以拥有不同的数据处理能力。

为了更好地理解本申请实施例的方案，下面先结合图2至图4对本申请实施例可能的应用场景进行简单的介绍。

图3示出了一种自然语言处理系统，该自然语言处理系统包括用户设备以及数据处理设备。其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为自然语言数据处理的发起端，作为语言问答或者查询等请求的发起方，通常用户通过用户设备发起请求。

上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的查询语句/语音/文本等，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的语言数据处理，并将处理结果反馈至用户设备。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。

在图3所示的自然语言处理系统中，用户设备可以接收用户的指令，例如用户设备可以接收用户输入的一段文本，然后向数据处理设备发起请求，使得数据处理设备针对用户设备得到的该一段文本执行自然语言处理应用(例如自然语言生成、文本分类、文本推理、命名实体识别、翻译等)，从而得到针对该一段文本的对应的自然语言处理应用的处理结果(例如预测词结果、分类结果、推理结果、命名实体识别结果、翻译结果等)。

其中，在本申请实施例中，用户设备可以接收用户的指令，例如用户设备可以接收用户输入的一段文本(例如代码的属性描述或者代码)，然后向数据处理设备发起请求，使得数据处理设备针对用户设备得到的该一段文本执行自然语言处理应用(例如代码编辑等)，从而得到针对该一段文本的对应的自然语言处理应用的处理结果。

文本(例如第一文本、第二文本、第三文本等)在图3中，数据处理设备可以通过本申请实施例提供的方法训练得到的自然语言模型来处理上述文本数据。

图4示出了另一种自然语言处理系统，在图4中，用户设备直接作为数据处理设备，该用户设备能够直接接收来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图3相似，可参考上面的描述，在此不再赘述。

图4是本申请实施例提供的自然语言处理的相关设备300的示意图。

上述图3和图4中的用户设备具体可以是图4中的本地设备301或者本地设备302，图3中的数据处理设备具体可以是图4中的执行设备310，其中，数据存储系统350可以存储执行设备310的待处理数据，数据存储系统350可以集成在执行设备310上，也可以设置在云上或其它网络服务器上。

图3和图4中的处理器可以通过神经网络模型或者其它模型进行数据训练/机器学习/深度学习，并利用数据最终训练或者学习得到的模型(例如本申请实施例中的自然语言模型自然语言模型等等)针对文本数据(例如本申请实施例中描述的代码的属性描述文本或者代码(例如第一文本或者第二文本))执行自然语言处理应用(例如代码编辑等)，从而得到相应的处理结果。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入，激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

(2)transformer层

参照图5，图5为一种transformer层的架构示意，如图5所示，神经网络包括嵌入层和至少一个transformer层，至少一个transformer层可以为N个transformer层(N大于0的整数)，其中，每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层和加和与归一化层。在嵌入层，对当前输入进行嵌入处理，得到多个嵌入向量；在所述注意力层，从所述第一transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在所述池化层，将所述P个中间向量合并为Q个输出向量，其中transformer层中最后一个transformer层得到的多个输出向量用作所述当前输入的特征表示。

(3)注意力机制(attention mechanism)

注意力机制模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，能够利用有限的注意力资源从大量信息中快速筛选出高价值信息。注意力机制可以快速提取稀疏数据的重要特征，因而被广泛用于自然语言处理任务，特别是机器翻译。而自注意力机制(self-attention mechanism)是注意力机制的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。注意力机制的本质思想可以改写为如下公式：

其中，Lx＝||Source||代表Source的长度，公式含义即将Source中的构成元素想象成是由一系列的数据对构成，此时给定目标Target中的某个元素Query，通过计算Query和各个Key的相似性或者相关性，得到每个Key对应Value的权重系数，然后对Value进行加权求和，即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和，而Query和Key用来计算对应Value的权重系数。从概念上理解，把Attention可以理解为从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上，忽略大多不重要的信息。聚焦的过程体现在权重系数的计算上，权重越大越聚焦于其对应的Value值上，即权重代表了信息的重要性，而Value是其对应的信息。自注意力机制可以理解为内部Attention(intra attention)，Attention机制发生在Target的元素Query和Source中的所有元素之间，自注意力机制指的是在Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target＝Source这种特殊情况下的注意力计算机制，其具体计算过程是一样的，只是计算对象发生了变化而已。

(4)自然语言处理(natural language processing，NLP)

自然语言(natural language)即人类语言，自然语言处理(NLP)就是对人类语言的处理。自然语言处理是以一种智能与高效的方式，对文本数据进行系统化分析、理解与信息提取的过程。通过使用NLP及其组件，我们可以管理非常大块的文本数据，或者执行大量的自动化任务，并且解决各式各样的问题，如自动摘要(automatic summarization)，机器翻译(machine translation，MT)，命名实体识别(named entity recognition，NER)，关系提取(relation extraction，RE)，信息抽取(information extraction，IE)，情感分析，语音识别(speech recognition)，问答系统(question answering)以及主题分割等等。

(5)预训练语言模型(pre-trained language model)

预训练语言模型是一个自然语言序列编码器，为自然语言序列中的每个词进行编码成为一个向量表示，从而进行预测任务。它的训练包含两个阶段。在预训练(pre-training)阶段，该模型在大规模无监督文本上进行语言模型任务的训练，从而学习到一个词表示。在微调(finetuning)阶段，该模型利用预训练阶段学到的参数做初始化，在文本分类(text classification)，序列标注(sequence labeling)等下游任务(downstreamtask)上进行较少步骤的训练，就可以成功把预训练得到的语义信息成功迁移到下游任务上来。

(6)自回归语言模型(autoregressive language model)

自回归语言模型是指能够根据给定的上下文(如“手机很”)预测下一个可能跟随的词(如“不错”)的模型，该模型通常是给定左侧上文预测右侧下文中的词，但也可以是给定左侧和右侧的上下文预测中间的某个词。

(7)程序语言(programming language)：用来定义计算机指令执行流程的形式化语言。

(8)程序合成(program synthesis)：根据提示(例如代码的属性描述等)生成程序的过程。

(9)代码补全(code completion)：根据给定代码片段生成完整文本落的过程

(10)反向传播算法

卷积神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的超分辨率模型中参数的大小，使得超分辨率模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的超分辨率模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的超分辨率模型的参数，例如权重矩阵。

(11)损失函数

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断地调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

(12)反向传播算法

神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。

(13)文本编辑

文本编辑是指根据特定目标，通过定位、增加、删除等原子操作，将原有文本改写为新文本的任务。例如，修正原有文本中的语法错误、简化原有文本、改变原有文本风格。文本操作的基本单元可以是字符、词语、句子、段落。定位是指在文本中标记出需要被编辑的部分。增加是指在文本中插入若干基本单元。删除是指去除文本中的若干基本单元。定位、增加、删除的顺序不固定，可以任意组合，从而实现编辑目标。

(14)多任务学习

多任务学习是机器学习的一个子领域，指在训练一个模型时，同时设置多种训练目标。要求此单一模型能同时解决多种任务。此外，挖掘各个任务之间的共性、关联性，使各个任务间能相互促进。

为了解决上述问题，本申请实施例提供了一种数据处理方法。下面结合附图对本申请实施例的数据处理方法进行详细的介绍。

参照图9，图9为本申请实施例提供的一种数据处理方法的流程示意，如图9所示，本申请实施例提供的一种数据处理方法，可以包括步骤901至903，下面分别对这些步骤进行详细的描述。

901、获取第一文本，所述第一文本为程序代码。

在一种可能的实现中，第一文本可以是待编辑的文本，例如可以为用户需要进行代码纠错、代码修改或者是代码补全对应的代码。

902、根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型。

在一种可能的实现中，可以根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型。具体的，可以将第一文本作为第一神经网络的输入，第一神经网络可以预测出第一文本中需要进行代码编码的位置，以及对该编辑位置进行的编辑动作。

其中，第一编辑位置以及编辑动作类型可以通过字符串来表示。

编辑动作可以为代码插入、代码替换或者代码删除。其中，在编辑动作为代码替换或者代码删除时，代码编辑的位置可以为第一文本中的部分代码，在编辑动作为代码插入时，代码编辑的位置可以位于所述第一文本中相邻字符之间的位置。

应理解，代码替换也可以包括代码删除以及代码插入两个动作。

应理解，第一神经网络还可以针对于不需要修改的代码对象输出用于指示保留的信息。

在一种可能的实现中，第一神经网络的预测粒度可以为工程级、文件级、片段级、词级、token级、字符级等，本申请实施例并不限定。也就是说，在第一编辑位置指示第一文本中的部分代码时，部分代码的最小粒度可以为工程级、文件级、片段级、词级、token级或者字符级等。

在一种可能的实现中，第一神经网络的模型结构可以采用自然语言生成常见的编码器模型、解码器模型、编码器-解码器模型和分类器模型，例如Transformer编码器、GPT等，本申请实施例并不限定。

903、根据所述第一编辑位置以及所述第一文本中处于所述第一编辑位置的上下文代码，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码。

在一种可能的实现中，在得到第一编辑位置以及编辑动作类型之后，可以将第一编辑位置以及第一文本(或者是第一文本中处于所述第一编辑位置的上下文代码)输入至自然语言生成模型中，进而，自然语言生成模型可以根据第一编辑位置以及第一文本中处于所述第一编辑位置的上下文代码，来预测所述第一编辑位置对应的目标代码。

本申请实施例中，通过第一神经网络来预测代码中需要进行编辑的位置以及编辑的动作，之后基于编辑信息来进行代码合成，进而可以实现在不指定编辑类型的情况下，自动实现代码的编辑。

在一种可能的实现中，还可以获取第二文本以及第一请求，所述第二文本为程序代码对应的属性描述，所述第一请求用于指示生成所述第二文本对应的程序代码，进而可以根据所述第二文本以及所述第一请求，通过所述自然语言生成模型，预测所述第二文本对应的程序代码。

在一种可能的实现中，所述属性描述包括所述程序代码功能描述或者所述程序代码的实现原理(或者称之为该程序代码的解释)。例如，可以参照图11，图11示出了一个函数(“classifier”)代码的示意。参照图12，图12为函数“classifier”对应的属性描述的示意，参照图13，图13示出了一个函数(“classifier”)的代码示意。

在一种可能的实现中，还可以获取第三文本以及第二请求，所述第三文本为程序代码，所述第二请求用于指示生成以所述第三文本为上下文代码的插入代码；根据所述第三文本以及所述第二请求，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码。

在一种可能的实现中，还可以获取第四文本以及第三请求，所述第四文本为程序代码，所述第三请求用于指示生成所述第四文本对应的属性描述；根据所述第四文本以及所述第三请求，通过所述自然语言生成模型，预测所述第四文本对应的属性描述。

在一种可能的实现中，可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；进而，可以根据所述第一文本以及所述特征表示，通过第一神经网络，预测第一编辑位置以及编辑动作类型。

在一种可能的实现中，第二神经网络可以为特征提取网络，例如所述第二神经网络可以为图神经网络。

在一种可能的实现中，第一文本的历史文本可以称之为“代码编辑历史子图”，可以对代码编辑历史子图进行编码，得到“编辑历史”图编码。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；进而，可以根据所述第二文本、所述第一请求以及所述特征表示，通过所述自然语言生成模型，预测所述第二文本对应的程序代码。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；进而，可以根据所述第三文本、所述第二请求以及所述特征表示，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；进而，可以根据所述第四文本、所述第三请求以及所述特征表示，通过所述自然语言生成模型，预测所述第四文本对应的属性描述。

本申请实施例中提供的模型，除了可以实现代码编辑的功能之外，还可以兼容基于编辑的多任务代码生成，例如、代码补全、代码插入、代码摘要生成等。

本申请实施例提供了一种数据处理方法，包括：获取第一文本，所述第一文本为程序代码；根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型；根据所述第一编辑位置以及所述第一文本中处于所述第一编辑位置的上下文代码，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码；其中，在所述编辑动作类型为代码替换时，所述第一编辑位置为所述第一文本中的部分代码，所述目标代码用于替换所述第一文本中的部分代码，在所述编辑动作类型为代码插入时，所述第一编辑位置位于所述第一文本中相邻字符之间的位置，所述目标代码用于插入到所述第一编辑位置。通过上述方式，通过第一神经网络来预测代码中需要进行编辑的位置以及编辑的动作，之后基于编辑信息来进行代码合成，进而可以实现编辑位置的预测，以及在不指定编辑类型的情况下，实现代码的编辑。

以上以模型的推理过程为例进行了介绍，接下来从模型的训练过程的角度进行介绍。参照图10，图10为本申请实施例提供的一种模型训练方法的流程示意，如图10所示，本申请实施例提供的一种模型训练方法，包括：

1001、获取第一文本和第二文本，所述第一文本和所述第二文本为程序代码。

其中，第一文本和第二文本可以训练样本，具体的，第一文本可以为训练的前馈过程中，模型需要进行代码编辑的对象，第二文本可以为对第一文本进行编辑后的准确结果，也就是真值，第一文本可以为具备噪声的文本。

接下来介绍如何获取第一文本以及第二文本：

在一种可能的实现中，可以收集原始的包含代码的数据，包括但不限于代码工程文件，独立代码片段，脚本文件等。例如可以获取已有的代码工程数据、程序语言语料及自然语言语料。可选的通过网络获取已有的数据，该数据包括程序项目的代码工程文件、版本历史记录文件、混合程序语言及自然语言的代码文件、程序语言的代码文件、自然语言的文件。收集的自然语言可以是任意自然语言，程序语言可以是任意编程语言。

可以根据原始代码来提取代码编辑样本，例如可以从代码工程的修改、版本历史中提取代码编辑数据。可选地，对比代码的commits获得不同版本之间的代码修改、差异，及其相应的注释文本。可选地，将“自然语言注释文本”、“旧版本commit的完整代码”、“新版本commit的代码修改片段”作为一个“代码编辑样本”。可选地，将一系列“代码编辑样本”作为多轮人机代码交互的“人机代码交互样本”。

可选地，可以在不同自然语言、程序语言前使用表示该语言的字符组合来表示接下来的序列为文本语言序列或者具体的代码语言序列，并在样本之后添加样本结束符。

可选的，可以进行文件去重，可选的函数代码去重，将语料中的重复文件或者重复函数代码去重，减少语料总量，提升处理和训练效率。

为了提高语料质量，可选的，可以对函数级代码片段进行归一化，规范代码语法、统一代码风格，使用可选的一定规则、可选的代码抽象语法树(AST)对代码进行解析，对空格，缩进等风格进行统一化，使得数据归一。

在一种可能的实现中，由于训练样本通常难以获取到，也就是训练样本(第一文本和第二文本构成的文本对)的数量较少，可以对已获取训练样本进行数据增强，来得到更多的训练样本。

在一种可能的实现中，所述第一文本为根据从原始代码文本中提取得到的第一原始文本得到的；其中，所述第一文本为对所述第一原始文本中的部分文本单元进行修改得到的。

在一种可能的实现中，所述修改包括：删除、增加或者替换。

示例性的，可以还可以对数据进行过滤，可选地指定某些程序语言、自然语言的代码文件，可选地根据代码工程、代码文件评分进行筛选，可选地采用代码工程的跟踪数(watch)或点赞数(star)或继承数(fork)或其他指标作为评分。

在一种可能的实现中，可以将代码文件的旧版本代码、新版本代码、版本更新对应的自然语言注释作为一个“代码编辑样本”。

对比“旧版本代码”和“新版本代码”，标注出“编辑动作序列”使得旧代码可以通过此“编辑动作序列”更新为新代码。以“自然语言编辑指令”和“编辑动作序列”组成“编辑指令-编辑动作”对，作为训练样本。“编辑动作序列”可以是工程级、文件级、片段级、词级、token级、字符级的操作，其动作空间可以包括“保留”、“删除”、“插入”，也可以包括“保留”、“修改”，也可以包括其他动作组合。

利用“代码编辑样本”训练一个增强器，输入“新版本代码的修改片段”给此增强器，其生成“自然语言编辑指令”，构成新的“代码编辑样本”。反之，训练一个增强器，输入“自然语言编辑指令”给此增强器，其生成“新版本代码的修改片段”，构成新的“代码编辑样本”。可选地，搜索“完整的旧版本代码”和“新版本代码的修改片段”之间所有可能的编辑动作序列，构成新的“编辑指令-编辑动作”对。

1002、根据所述第一文本和所述第二文本，确定目标编辑位置以及目标编辑动作类型；所述目标编辑位置以及所述目标编辑动作类型为将所述第一文本修改为所述第二文本对应的编辑信息。

在一种可能的实现中，可以对比“新代码的修改片段”和“完整的旧代码”，标注出“编辑动作”使得旧代码可以更新为新代码。以“自然语言编辑指令”和“编辑动作”组成“编辑指令-编辑动作”对，作为训练样本。“编辑动作”可以是片段级、词级、token级的操作，其动作空间可以包括“保留”、“删除”、“插入”，也可以包括“保留”、“修改”，也可以包括其他动作组合。

1003、根据所述第一文本，通过第一神经网络，预测第一编辑位置以及第一编辑动作类型。

步骤1003可以为模型训练的前馈动作，具体可以参照上述实施例中步骤902的介绍，相似之处这里不再赘述。

1004、根据所述第一编辑位置以及所述第一文本中处于所述第一编辑位置的上下文代码，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码。

步骤1003可以为模型训练的前馈动作，具体可以参照上述实施例中步骤903的介绍，相似之处这里不再赘述。

1005、根据所述目标编辑位置和所述第一编辑位置、所述目标编辑动作类型和所述第一编辑动作类型，确定第一损失；所述第一损失用于更新所述第一神经网络。

1006、根据所述第二文本和所述目标代码，确定第二损失；所述第一损失用于更新所述自然语言生成模型。

示例性的，可以采用大规模预训练生成式语言模型的训练方式以自回归生成的方式进行训练。

可以构造自然语言生成模型所需的训练数据。根据“编辑动作训练样本”，可以将其中标注为“插入”、“修改”的片段作为“插入目标”，构造补全训练样本。例如，可以将“自然语言编辑指令”置于“插入目标”原始所在位置，作为插入动作的依赖条件。同时，可以将“旧版本代码”中与“插入目标”对应的片段置于“插入目标”原始所在位置，作为插入动作的依赖条件。

可选的，可以使用“编辑指令-编辑动作”数据，进行编辑动作的序列标注训练(也就是第一神经网络的训练)，模型结构可以采用自然语言生成常见的编码器模型、解码器模型、编码器-解码器模型和分类器模型，例如Transformer编码器。训练范式可以是有监督学习。训练损失函数可以是交叉熵函数。

可以通过自回归生成的训练来实现步骤1006的过程，模型结构可以采用自然语言生成常见的带解码器的模型，例如GPT。训练范式可以是自监督预训练。训练损失函数可以是交叉熵函数。

接下来介绍使得自然语言合成模型具备代码合成功能的训练过程：

在一种可能的实现中，还可以获取第三文本以及第四文本，所述第三文本为程序代码对应的属性描述；所述第四文本为所述第三文本对应的程序代码；根据所述第三文本，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果；根据所述预测结果和所述第四文本，确定第三损失；所述第三损失用于更新所述自然语言生成模型。

在一种可能的实现中，所述第三文本和所述第四文本为从原始代码文本中提取得到的；其中，所述第三文本为程序代码，所述第四文本为所述程序代码对应的属性描述。第四文本可以为自然语言，且第四文本可以是任意的人类沟通时使用的语言，程序代码可以是任意编程语言，本申请并不限定。

在一种可能的实现中，在识别出第三文本和第四文本之后，可以建立第三文本以及第四文本之间的对应关系，以形成“自然语言描述-函数实现代码”(Description-Function)的句对形式样本。可选的，可以在每组自然语言-程序语言前使用表示字符组合来表示接下来的序列为文本语言序列或者具体的代码语言序列，并在样本之后添加样本结束符，进而可以表示出第三文本和第四文本为一对样本。

可选的，可以对数据进行初步过滤，可选地去除文件过长或者单行代码过长的数据，去除目标代码语言或者自然语言语种以外的数据等。

可选的，可以在不同自然语言、程序语言前使用表示该语言的字符组合来表示接下来的序列为文本语言序列或者具体的代码语言序列，并在样本之后添加样本结束符。

样本可以是包含程序语言代码、自然语言注释的工程级、文件级、函数级代码序列。

可选地，可以对函数级代码片段进行归一化，规范代码语法、统一代码风格，使用可选的一定规则、可选的代码抽象语法树(AST)对代码进行解析，抽取纯代码部分，对空格，缩进等风格进行统一化，使得数据归一以提高语料质量。

可选地，可以用特定的字符组合在不同的自然语言片段、程序语言片段前标注语言种类，将相关的自然语言片段、程序语言片段连续拼接，形成一个“代码补全样本”，在样本尾部添加特定字符组合作为结束标识。

可选的，可以对“代码补全样本”中的自然语言片段或程序语言片段进行数据增强。数据增强方法可以是基于一些规则修改原始数据，可以是基于反向翻译技术生成原始数据的同义片段，可以是基于同义句生成技术生成原始数据的同义片段，可以是基于代码、文本生成技术生成相关的自然语言片段、程序语言片段。

接下来介绍使得自然语言合成模型具备代码插入功能的训练过程：

在一种可能的实现中，还可以获取第五文本以及第六文本，所述第五文本和所述第六文本为程序代码；根据所述第五文本，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码；根据所述插入代码和所述第六文本，确定第四损失；所述第四损失用于更新所述自然语言生成模型。

在训练的数据制备上，可以由大量的代码工程文件或可选的自然语言语料(统称为语料，corpora)，制备适合代码生成的训练样本，具体包括：

可选的，可以进行函数代码去重，将语料中的重复文件或者重复函数代码去重，减少语料总量，提升处理和训练效率。

可选的，为了提高语料质量，可以对函数级代码片段进行归一化，规范代码语法、统一代码风格，使用可选的一定规则、可选的代码抽象语法树(AST)对代码进行解析，对空格，缩进等风格进行统一化，使得数据归一。

在构造训练样本上，可以是包含程序语言代码、自然语言注释的工程级、文件级、函数级代码序列。

在一种可能的实现中，可以可以随机选定样本中的若干片段，作为“插入目标”。可以移动这些“插入目标”至样本尾部，也可以用掩码替换这些“插入目标”，也可以是其他形式，从而构造新的、乱序生成的训练样本。

基于代码插入训练样本，可以采用大规模预训练生成式语言模型的训练方式以自回归生成的方式进行训练。训练范式可以是自监督预训练。训练损失函数可以是交叉熵函数。

接下来介绍使得自然语言合成模型具备代码摘要生成功能的训练过程：

在一种可能的实现中，还可以获取第七文本以及第八文本，所述第七文本为程序代码，所述第八文本为所述第七文本对应的属性描述；根据所述第七文本，通过所述自然语言生成模型，预测所述第七文本对应的属性描述；根据所述第七文本对应的属性描述的预测结果和所述第八文本，确定第五损失；所述第五损失用于更新所述自然语言生成模型。

训练多任务的代码生成器即是联合训练自然语言生成模型，以便自然语言生成模型具备处理多任务的功能，也就是自然语言生成模型可以包括多个功能模块(例如包括第一代码补全器、第一代码插入器、第一代码编辑器、第二代码插入器，第一代码补全器可以用于实现基于属性信息生成代码的功能，第一代码插入器可以用于实现基于代码生成插入代码的功能，第一代码编辑器可以用于实现基于代码确定编辑位置以及编辑动作的功能，第二代码插入器可以用于实现基于编辑位置、编辑动作以及代码来生成插入代码的功能)。

第一代码补全器、第一代码插入器、第一代码编辑器、第二代码插入器共享部分或全部模型结构、参数。模型结构可以是任意生成式神经网络模型，例如Transformer解码器和RNN。第一代码编辑器有额外的分类器网络结构，用于标注“编辑动作序列”，网络结构可以是FFN。所有模型参数随机初始化。

参照图14，图14为本申请实施例中的一个架构示意图，其中，包括用于构建训练样本的模块(第一数据模块到第六数据模块)。

可选的，第一数据模块：提供最原始的数据，收集大量最原始的包含代码的数据，包括但不限于代码工程文件，独立代码片段，脚本文件等。收集大量自然语言文本数据。

第二数据模块：基于第一数据模块，提供第一代码补全训练模块训练所需的数据，该模块又可选地由以下装置构成：

第一数据过滤器：对第一数据模块中的数据进行初步过滤，可选地去除文件过长或者单行代码过长的数据，去除目标代码语言或者自然语言语种以外的数据等。

第一样本构造器，构造第一代码补全训练所需的训练样本：

代码规范器：可选地对函数级代码片段进行归一化，规范代码语法、统一代码风格，使用可选的一定规则、可选的代码抽象语法树(AST)对代码进行解析，抽取纯代码部分，对空格，缩进等风格进行统一化，使得数据归一以提高语料质量。

第一数据增强器：可选地，将自然语言文本输入已训练的第一代码补全模块、第一代码插入模块，生成对应的程序语言片段。反之，将程序语言输入已训练的第一代码插入模块，生成自然语言文本。可选地，将对应的自然语言文本、程序语言片段组合起来，作为增强样本。可选地，采用规则方法，生成自然语言文本、程序语言片段。

第三数据模块：基于第二数据模块，提供第一代码插入训练模块训练所需的数据，随机选取第二数据模块输出样本的片段，作为“插入目标”。可选地，将“插入目标”移动到样本尾部，构成第一代码插入训练样本。可选地，用占位符替换“插入目标”，在样本尾部以相应占位符引导“插入目标”，构成第一代码插入训练样本。可选地其他样本构造方法，使模型基于上下文，预测“插入目标”。

第四数据模块：基于第一数据模块，提取代码编辑训练所需的编辑样本。可选地由以下装置组成：

第二数据过滤器：对第一数据模块中的数据过滤，可选地指定某些程序语言、自然语言的代码文件，可选地根据代码工程、代码文件评分进行筛选，可选地采用代码工程的跟踪数(watch)或点赞数(star)或继承数(fork)或其他指标作为评分。

第一代码编辑样本提取器：将代码文件的旧版本代码、新版本代码、版本更新对应的自然语言注释作为一个“代码编辑样本”。

第一代码编辑动作样本构造器：构造第一代码编辑训练模块所需的训练数据。对比“旧版本代码”和“新版本代码”，标注出“编辑动作序列”使得旧代码可以通过此“编辑动作序列”更新为新代码。以“自然语言编辑指令”和“编辑动作序列”组成“编辑指令-编辑动作”对，作为训练样本。“编辑动作序列”可以是工程级、文件级、片段级、词级、token级、字符级的操作，其动作空间可以包括“保留”、“删除”、“插入”，也可以包括“保留”、“修改”，也可以包括其他动作组合。

第二数据增强器：可选地，利用“代码编辑样本”训练一个增强器，输入“新版本代码的修改片段”给此增强器，其生成“自然语言编辑指令”，构成新的“代码编辑样本”。反之，训练一个增强器，输入“自然语言编辑指令”给此增强器，其生成“新版本代码的修改片段”，构成新的“代码编辑样本”。可选地，搜索“完整的旧版本代码”和“新版本代码的修改片段”之间所有可能的编辑动作序列，构成新的“编辑指令-编辑动作”对。

第五数据模块：基于第四数据模块，构造第二代码插入训练模块所需的训练数据。根据“编辑动作训练样本”，可以将其中标注为“插入”、“修改”的片段作为“插入目标”，构造类似第三数据模块输出的补全训练样本。同时，可以将“自然语言编辑指令”置于“插入目标”原始所在位置，作为插入动作的依赖条件。同时，可以将“旧版本代码”中与“插入目标”对应的片段置于“插入目标”原始所在位置，作为插入动作的依赖条件。

第六数据模块：基于第四数据模块，构造第一多轮代码编辑训练模块所需的训练数据。将所有有版本修改关系的“代码编辑样本”组成一个有向图结构。这样的图作为“代码编辑历史图”。可选地，选取“代码编辑历史图”中的一个“代码编辑样本”节点，称为“当前编辑样本”。可以从“代码编辑历史图”中，任意构造包含“当前编辑样本”的子图，并使“当前编辑样本”节点的出度为零，称之为“代码编辑历史子图”。将“当前编辑样本”和“代码编辑历史子图”构成一个样本对，称为“多轮代码编辑样本”。

第一代码补全器以第二数据模块输出的语料为训练数据。无需标注信息，仅需要第二数据模块输出的无标注语料。第一代码插入器以第三数据模块输出的语料为训练数据。无需标注信息，仅需要第三数据模块输出的无标注语料。第二代码补全器以第五数据模块输出的语料为训练数据。无需标注信息，仅需要第五数据模块输出的无标注语料。第一代码编辑器以第四数据模块输出的“编辑指令-编辑动作”成对语料为监督训练数据。

第一代码补全器、第一代码插入器、第二代码补全器以自回归语言模型、交叉熵目标函数和反向传播进行模型参数更新。第一代码编辑器以序列标注、交叉熵目标函数和反向传播进行模型参数更新。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；进而，可以根据所述第一文本以及所述特征表示，通过第一神经网络，预测第一编辑位置以及第一编辑动作类型。

在一种可能的实现中，所述第二神经网络为图神经网络。

上述处理过程可以对应于第六数据模块以及第一多轮编辑训练模块，其中，第六数据模块可以基于第四数据模块，构造第一多轮代码编辑训练模块所需的训练数据。将所有有版本修改关系的“代码编辑样本”组成一个有向图结构。这样的图作为“代码编辑历史图”。可选地，选取“代码编辑历史图”中的一个“代码编辑样本”节点，称为“当前编辑样本”。可以从“代码编辑历史图”中，任意构造包含“当前编辑样本”的子图，并使“当前编辑样本”节点的出度为零，称之为“代码编辑历史子图”。将“当前编辑样本”和“代码编辑历史子图”构成一个样本对，称为“多轮代码编辑样本”。

第一多轮编辑训练模块：使用第六数据模块产生的“多轮代码编辑样本”数据，包含“当前编辑样本”和“代码编辑历史子图”。可以采用“代码编辑历史子图”训练图神经网络。训练完成的图神经网络对“代码编辑历史子图”进行编码，得到“编辑历史”图编码。图编码模型结构可以采用自然语言生成常见的编码器模型、解码器模型、编码器-解码器模型，例如Transformer编码器。训练范式可以是自监督预训练。训练损失函数可以是交叉熵函数。可以将“编辑历史”与“当前编辑样本”联合输入第一代码编辑训练模块、第二代码插入训练模块。第一代码编辑训练模块基于“编辑历史”进行编辑动作的序列标注训练，训练范式、损失函数与第一代码编辑训练模块一致。第二代码插入训练模块基于“编辑历史”进行自回归生成的训练，训练范式、损失函数与第二代码插入训练模块一致。

第一多轮代码编辑器由图编码模块和代码生成模块组成。

图编码模块可以采用第六数据模块产生的“多轮代码编辑样本”中的“代码编辑历史子图”进行训练，可以基于降噪自编码器范式进行自监督训练，可以采用交叉熵目标函数和反向传播进行模型参数更新。

训练后的图编码模块可以对第六数据模块产生的“代码编辑历史子图”进行编码，得到“编辑历史”图编码。可以将此图编码、其对应的出度为零节点(一个“代码编辑样本”)作为一个样本对，输入第一多任务代码生成训练模块。可以将“编辑历史”图编码与“当前编辑样本”联合输入第一代码编辑训练模块、第二代码插入训练模块。第一代码编辑训练模块基于“编辑历史”进行编辑动作的序列标注训练，训练范式、损失函数与第一代码编辑训练模块一致。第二代码插入训练模块基于“编辑历史”进行自回归生成的训练，训练范式、损失函数可以与第二代码插入训练模块一致。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；可以根据所述第三文本以及所述特征表示，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；可以根据所述第一编辑位置、所述第一文本中处于所述第一编辑位置的上下文代码以及所述特征表示，通过自然语言生成模型，预测所述第一编辑位置对应的目标代码。

在一种可能的实现中，还可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；根据所述第五文本以及所述特征表示，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码。

在一种可能的实现中，可以获取所述第一文本对应的至少一个历史文本；每个所述历史文本为所述第一文本之前的历史代码版本；根据所述至少一个历史文本，通过第二神经网络，得到特征表示；根据所述第七文本以及所述特征表示，通过所述自然语言生成模型，预测所述第七文本对应的属性描述。

本申请实施例针对不同的代码生成任务，设计了统一的训练流程与装置，包括数据采集、数据处理方法，多任务的联合训练方法。多种代码生成任务仅需部署一个模型，部署成本低、设备利用率高。多种代码生成任务上均能达到传统单一任务模型的性能。

接下来结合一个具体的示意介绍本申请实施例中的方法：

在一种可能的实现中，可以获取代码补全、插入、编辑训练所需的原始数据。

通过第一数据模块获取已有的代码工程数据、程序语言语料及自然语言语料。可选的，可以从网站上爬取已有的数据，该数据包括程序项目的代码工程文件、版本历史记录文件、混合程序语言及自然语言的代码文件、程序语言的代码文件、自然语言的文件。例如可以参照图15，图15为一个源代码文件的示例，其中。灰色框中为自然语言描述，其余为程序语言代码。包含两个函数：“euclidean_distance”、“classifier”。

图16为源代码版本历史记录(单次源代码修改记录)，其中，20-22底色部分为“旧版本代码”，20-21底色部分为“新版本代码”，灰框部分为此次版本更新对应的“自然语言描述”。图17为源代码的版本历史记录(多轮源代码修改记录)的示意。

在一种可能的实现中，可以制备第一代码补全器的训练数据，第二数据模块构造第一代码补全器训练所需的数据，可选的进行数据过滤及清洗，可选的进行数据增强。

可选的，第二数据模块对第一数据模块输出的语料进行过滤。可选的去除重复的数据文件，可选的去除重复的程序语言代码片段，可选的去除重复的自然语言片段。

可选的，第二数据模块对第一数据模块输出的语料或第二数据模块过滤后的语料进行清洗。可选的对程序语言代码片段进行规范化，可选的利用一些规则对代码片段规范化，可选的利用抽象语法树(AST)对代码片对规范化。可选的对自然语言片段进行规范化。规范化可以是修正或统一程序语言或自然语言的语法或风格。

可选地，用特定的字符组合在不同的自然语言片段、程序语言片段前标注语言种类，将相关的自然语言片段、程序语言片段连续拼接，形成一个“代码补全样本”，在样本尾部添加特定字符组合作为结束标识。

可选的，第二数据模块对第二数据模块构造的“代码补全样本”中的自然语言片段或程序语言片段进行数据增强。数据增强方法可以是基于一些规则修改原始数据，可以是基于反向翻译技术生成原始数据的同义片段，可以是基于同义句生成技术生成原始数据的同义片段，可以是基于代码、文本生成技术生成相关的自然语言片段、程序语言片段。

可以将上例中的“自然语言描述”与“程序语言代码”依次拼接，构造为一个“代码补全样本”。

在一种可能的实现中，可以制备第一代码插入器的训练数据，第三数据模块构造第一代码插入器训练所需的数据。第三数据模块对第二数据模块输出的语料进行修改，使训练数据符合代码插入的训练、应用场景。随机选取第二数据模块输出样本的片段，作为“插入目标”。可选地，将“插入目标”移动到样本尾部，构成第一代码补全训练样本。

图18示出了从函数“classifier”中随机选取片段(例如框部分)，作为“插入目标”。图19示出了重新组织样本的字符顺序。将“插入目标”(黑底部分)移动到样本尾部。模型基于“插入目标”的上文和下文，预测“插入目标”。

在一种可能的实现中，可以制备第一代码编辑器的训练数据，第四数据模块构造第一代码编辑器训练所需的数据。筛选Github star前5000名的python项目。提取代码文件的版本修改信息：“代码修改的自然语言描述”、“旧版本代码”、“新版本代码”。

将代码文件的旧版本代码、新版本代码、版本更新对应的自然语言注释作为一个“代码编辑样本”。构造第一代码编辑器所需的训练数据。对比“旧版本代码”和“新版本代码”，标注出“编辑动作序列”使得旧代码可以通过此“编辑动作序列”更新为新代码。以“自然语言编辑指令”和“编辑动作序列”组成“编辑指令-编辑动作”对，作为训练样本。“编辑动作序列”片段级的操作，其动作空间包括“保留”、“删除”、“插入”，具体可以参照图20所示。

图20示出了第一代码编辑器“编辑指令-编辑动作”样本的构造示例。20-22框代码被标注为“删除”，20-21以及89-98框代码被标注为“插入”，其余代码被标注为“保留”。

在一种可能的实现中，可以制备第二代码插入器的训练数据，第五数据模块基于第四数据模块输出的样本，构造第二代码插入训练模块所需的训练数据。根据“编辑动作序列”，以将“旧版本代码”中标注为“插入”的片段作为“插入目标”，构造类似第三数据模块输出的插入训练样本。同时，可以将“自然语言编辑指令”置于“插入目标”原始所在位置，作为插入动作的依赖条件。同时，可以将“旧版本代码”中与“插入目标”对应的字符片段置于“插入目标”原始所在位置，作为插入动作的依赖条件。

图21示出了第二代码插入训练样本示例。将标注为“插入”的代码片段(黑色底色)移动到样本尾部，标注为“保留”的代码片段作为上文(17-19底色)、下文(90-101底色)。“自然语言编辑指令”(20上面的底色)和标注为“删除”的代码片段(20-22底色)作为依赖条件，依赖条件置于上下文之间。即，训练模型根据上文、下文、依赖条件生成“新版本代码”。

在一种可能的实现中，可以训练第一多任务的代码生成器，训练多任务的代码生成器即是联合训练第一代码补全器、第一代码插入器、第一代码编辑器、第二代码插入器。

第一代码补全器、第一代码插入器、第一代码编辑器、第二代码插入器共享全部模型结构、参数。模型结构可以是Transformer解码器，例如可以参照图22所示。第一代码编辑器有额外的分类器网络结构，用于标注“编辑动作序列”，网络结构是FFN(前馈神经网络)。所有模型参数随机初始化。

例如，将示例函数一“classifier”的“自然语言描述”部分置于图23的<descr>与<python>之间，将示例函数一“classifier”的“程序语言函数代码”部分置于图23的<python>之后，以此作为第一代码补全器的训练输入。

参照图24，图24为本申请实施例提供的一种数据处理装置的结构示意，如图24所示，本申请实施例提供的一种数据处理装置2400，包括：

获取模块2401，用于获取第一文本，所述第一文本为程序代码；

其中，关于获取模块2401的具体描述可以参照上述实施例中步骤901的介绍，这里不再赘述。

处理模块2402，用于根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型；

其中，关于处理模块2402的具体描述可以参照上述实施例中步骤902以及步骤903的介绍，这里不再赘述。

在一种可能的实现中，所述获取模块2401，还用于：

所述处理模块2402，还用于根据所述第二文本以及所述第一请求，通过所述自然语言生成模型，预测所述第二文本对应的程序代码。

在一种可能的实现中，所述获取模块2401，还用于：

所述处理模块2402，还用于根据所述第三文本以及所述第二请求，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码。

在一种可能的实现中，所述获取模块2401，还用于：

所述处理模块2402，还用于根据所述第四文本以及所述第三请求，通过所述自然语言生成模型，预测所述第四文本对应的属性描述。

在一种可能的实现中，所述获取模块2401，还用于：

所述处理模块2402，还用于根据所述至少一个历史文本，通过第二神经网络，得到特征表示；

所述处理模块2402，具体用于：

在一种可能的实现中，所述第二神经网络为图神经网络。

在一种可能的实现中，所述获取模块2401，还用于：

所述处理模块2402，具体用于：

在一种可能的实现中，所述获取模块2401，还用于：

所述处理模块2402，具体用于：

在一种可能的实现中，所述获取模块2401，还用于：

所述处理模块2402，具体用于：

参照图25，图25为本申请实施例提供的一种模型训练装置的结构示意，如图25所示，本申请实施例提供的一种模型训练装置2500，包括：

获取模块2501，用于获取第一文本和第二文本，所述第一文本和所述第二文本为程序代码；

其中，关于获取模块2501的具体描述可以参照上述实施例中步骤1001的介绍，这里不再赘述。

处理模块2502，用于根据所述第一文本和所述第二文本，确定目标编辑位置以及目标编辑动作类型；所述目标编辑位置以及所述目标编辑动作类型为将所述第一文本修改为所述第二文本对应的编辑信息；

其中，关于处理模块2502的具体描述可以参照上述实施例中步骤1002至1006的介绍，这里不再赘述。

在一种可能的实现中，

所述获取模块2501，还用于：获取第三文本以及第四文本，所述第三文本为程序代码对应的属性描述；所述第四文本为所述第三文本对应的程序代码；所述处理模块2502，还用于：根据所述第三文本，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果；根据所述预测结果和所述第四文本，确定第三损失；所述第三损失用于更新所述自然语言生成模型；或者，

所述获取模块2501，还用于：获取第五文本以及第六文本，所述第五文本和所述第六文本为程序代码；所述处理模块2502，还用于：根据所述第五文本，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码；根据所述插入代码和所述第六文本，确定第四损失；所述第四损失用于更新所述自然语言生成模型；或者，

所述获取模块2501，还用于：获取第七文本以及第八文本，所述第七文本为程序代码，所述第八文本为所述第七文本对应的属性描述；所述处理模块2502，还用于：根据所述第七文本，通过所述自然语言生成模型，预测所述第七文本对应的属性描述；根据所述第七文本对应的属性描述的预测结果和所述第八文本，确定第五损失；所述第五损失用于更新所述自然语言生成模型。

在一种可能的实现中，所述获取模块2501，还用于：

所述处理模块2502，还用于根据所述至少一个历史文本，通过第二神经网络，得到特征表示；

所述处理模块2502，具体用于根据所述第一文本以及所述特征表示，通过第一神经网络，预测第一编辑位置以及第一编辑动作类型。

在一种可能的实现中，所述第二神经网络为图神经网络。

在一种可能的实现中，所述获取模块2501，还用于：

所述处理模块2502，具体用于根据所述第三文本以及所述特征表示，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果。

在一种可能的实现中，所述获取模块2501，还用于：

所述处理模块2502，具体用于根据所述第五文本以及所述特征表示，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码。

在一种可能的实现中，所述获取模块2501，还用于：

所述处理模块2502，具体用于根据所述第七文本以及所述特征表示，通过所述自然语言生成模型，预测所述第七文本对应的属性描述。

接下来介绍本申请实施例提供的一种执行设备，请参阅图26，图26为本申请实施例提供的执行设备的一种结构示意图，执行设备2600具体可以表现为虚拟现实VR设备、手机、平板、笔记本电脑、智能穿戴设备、监控数据处理设备或服务器等，此处不做限定。具体的，执行设备2600包括：接收器2601、发射器2602、处理器2603和存储器2604(其中执行设备2600中的处理器2603的数量可以一个或多个，图26中以一个处理器为例)，其中，处理器2603可以包括应用处理器26031和通信处理器26032。在本申请的一些实施例中，接收器2601、发射器2602、处理器2603和存储器2604可通过总线或其它方式连接。

存储器2604可以包括只读存储器和随机存取存储器，并向处理器2603提供指令和数据。存储器2604的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器2604存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器2603控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。

上述本申请实施例揭示的方法可以应用于处理器2603中，或者由处理器2603实现。处理器2603可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2603可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器2603可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器2604，处理器2603读取存储器2604中的信息，结合其硬件完成上述方法中涉及模型推理过程的步骤。

接收器2601可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器2602可用于通过第一接口输出数字或字符信息；发射器2602还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器2602还可以包括显示屏等显示设备。

本申请实施例还提供了一种训练设备，请参阅图27，图27是本申请实施例提供的训练设备一种结构示意图，具体的，训练设备2700由一个或多个服务器实现，训练设备2700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)2727(例如，一个或一个以上处理器)和存储器2732，一个或一个以上存储应用程序2742或数据2744的存储介质2730(例如一个或一个以上海量存储设备)。其中，存储器2732和存储介质2730可以是短暂存储或持久存储。存储在存储介质2730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器2727可以设置为与存储介质2730通信，在训练设备2700上执行存储介质2730中的一系列指令操作。

训练设备2700还可以包括一个或一个以上电源2726，一个或一个以上有线或无线网络接口2750，一个或一个以上输入输出接口2758；或，一个或一个以上操作系统2741，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本申请实施例中，中央处理器2727，用于执行上述实施例中和模型训练相关的动作。

本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图28，图28为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 2800，NPU 2800作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路2803，通过控制器2804控制运算电路2803提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路2803内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路2803是二维脉动阵列。运算电路2803还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路2803是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器2802中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器2801中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)2808中。

统一存储器2806用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)2805，DMAC被搬运到权重存储器2802中。输入数据也通过DMAC被搬运到统一存储器2806中。

BIU为Bus Interface Unit即，总线接口单元2810，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)2809的交互。

总线接口单元2810(Bus Interface Unit，简称BIU)，用于取指存储器2809从外部存储器获取指令，还用于存储单元访问控制器2805从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器2806或将权重数据搬运到权重存储器2802中或将输入数据数据搬运到输入存储器2801中。

向量计算单元2807包括多个运算处理单元，在需要的情况下，对运算电路2803的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。

在一些实现中，向量计算单元2807能将经处理的输出的向量存储到统一存储器2806。例如，向量计算单元2807可以将线性函数；或，非线性函数应用到运算电路2803的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元2807生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路2803的激活输入，例如用于在神经网络中的后续层中的使用。

控制器2804连接的取指存储器(instruction fetch buffer)2809，用于存储控制器2804使用的指令；

统一存储器2806，输入存储器2801，权重存储器2802以及取指存储器2809均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims

1.一种数据处理方法，其特征在于，所述方法包括：

获取第一文本，所述第一文本为程序代码；

根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型；

2.根据权利要求1所述的方法，其特征在于，在所述编辑动作类型为代码删除时，所述第二编辑位置为所述第一文本中的部分代码；所述目标代码用于删除所述第一文本中的部分代码。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

根据所述第二文本以及所述第一请求，通过所述自然语言生成模型，预测所述第二文本对应的程序代码。

4.根据权利要求3所述的方法，其特征在于，所述属性描述包括程序代码的功能描述或者程序代码的实现原理。

5.根据权利要求1至4任一所述的方法，其特征在于，所述方法还包括：

根据所述第三文本以及所述第二请求，通过所述自然语言生成模型，预测以所述第三文本为上下文代码的插入代码。

6.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：

根据所述第四文本以及所述第三请求，通过所述自然语言生成模型，预测所述第四文本对应的属性描述。

7.根据权利要求1至6任一所述的方法，其特征在于，所述方法还包括：

所述根据所述第一文本，通过第一神经网络，预测第一编辑位置以及编辑动作类型，包括：

8.根据权利要求7所述的方法，其特征在于，所述第二神经网络为图神经网络。

9.一种数据处理方法，其特征在于，包括：

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

获取第三文本以及第四文本，所述第三文本为程序代码对应的属性描述；所述第四文本为所述第三文本对应的程序代码；根据所述第三文本，通过所述自然语言生成模型，得到所述第三文本对应的程序代码的预测结果；根据所述预测结果和所述第四文本，确定第三损失；所述第三损失用于更新所述自然语言生成模型；或者，

获取第五文本以及第六文本，所述第五文本和所述第六文本为程序代码；根据所述第五文本，通过所述自然语言生成模型，预测以所述第五文本为上下文代码的插入代码；根据所述插入代码和所述第六文本，确定第四损失；所述第四损失用于更新所述自然语言生成模型；或者，

11.根据权利要求9或10所述的方法，其特征在于，所述方法还包括：

12.一种数据处理装置，其特征在于，所述装置包括：

获取模块，用于获取第一文本，所述第一文本为程序代码；

13.根据权利要求12所述的装置，其特征在于，在所述编辑动作类型为代码删除时，所述第二编辑位置为所述第一文本中的部分代码；所述目标代码用于删除所述第一文本中的部分代码。

14.根据权利要求12或13所述的装置，其特征在于，所述获取模块，还用于：

15.根据权利要求12至14任一所述的装置，其特征在于，所述获取模块，还用于：

16.根据权利要求12至15任一所述的装置，其特征在于，所述获取模块，还用于：

17.根据权利要求12至16任一所述的装置，其特征在于，所述获取模块，还用于：

所述处理模块，具体用于：

18.根据权利要求17所述的装置，其特征在于，所述第二神经网络为图神经网络。

19.一种模型训练装置，其特征在于，包括：

20.根据权利要求19所述的装置，其特征在于，

21.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机执行权利要求1至11中任一项所述方法的操作。

22.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至11任一所述的方法。

23.一种系统，包括至少一个处理器，至少一个存储器；所述处理器、所述存储器通过通信总线连接并完成相互间的通信；

所述至少一个存储器用于存储代码；

所述至少一个处理器用于执行所述代码，以执行如权利要求1至11任一所述的方法。