CN117828360A - 一种模型训练、代码生成方法、装置、存储介质及设备 - Google Patents
一种模型训练、代码生成方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN117828360A CN117828360A CN202311714139.8A CN202311714139A CN117828360A CN 117828360 A CN117828360 A CN 117828360A CN 202311714139 A CN202311714139 A CN 202311714139A CN 117828360 A CN117828360 A CN 117828360A
- Authority
- CN
- China
- Prior art keywords
- code
- semantic
- sample
- generation model
- code generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000001419 dependent effect Effects 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
- G06F8/42—Syntactic analysis
- G06F8/427—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
本说明书公开了一种模型训练、代码生成方法、装置、存储介质及设备。所述模型训练方法包括:获取样本序列,将各样本序列输入到预设的代码生成模型中,以通过代码生成模型,针对样本序列中变量序列包含的变量对应的语义单元,根据在样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元各该语义单元之间的相关度,确定该语义单元的注意力特征表示,并以最小化基于该语义单元的注意力特征得到的预测语义单元和预测语义单元在样本代码中实际对应的语义单元之间的偏差为优化目标,对代码生成模型进行训练,得到训练后代码生成模型。
Description
技术领域
本说明书涉及自然语言处理技术领域,尤其涉及一种模型训练、代码生成方法、装置、存储介质及设备。
背景技术
随着深度学习模型在自然语言处理和机器翻译等领域的发展以及编程语言的语法和结构的规范化,越来越多的能够将自然语言描述转化为计算机程序代码的深度学习模型逐渐出现。
但是,由于这些深度学习不能很好的学习到代码的内部结构信息,从而使得通过这些深度学习模型生成的计算机程序代码的语义准确性较低的同时,还存在生成的部分计算机程序代码不符合编程语言的语法规范的问题。
因此,如何能够提升通过深度学习模型生成的计算机程序代码的准确性,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练、代码生成方法、装置、存储介质及设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练方法,所述方法包括:
获取样本序列,所述样本序列包括:样本代码中包含的代码注释序列、样本代码中包含的变量序列、样本代码对应的代码序列;
将所述样本序列输入到预设的代码生成模型中,以通过所述代码生成模型,针对所述样本序列中包含的每个语义单元,若该语义单元为所述变量序列中包含的变量,则从在所述样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和所述参考语义单元之间的相关度,确定该语义单元的注意力特征表示,若该语义单元不为所述变量序列中包含的变量,则根据该语义单元和在所述样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示;
根据该语义单元的注意力特征表示,预测在所述样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元;
以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,并通过所述训练后代码生成模型进行任务执行。
可选地,将所述样本序列输入到预设的代码生成模型中,具体包括:
对所述样本代码进行解析,生成所述样本代码对应的抽象语法树;
根据所述抽象语法树,确定所述样本代码中包含的各变量以及各变量之间的依赖关系,并根据所述依赖关系,生成数据流图;
将所述样本序列以及所述数据流图输入到预设的代码生成模型中。
可选地,将所述样本序列以及所述数据流图输入到预设的代码生成模型中,具体包括:
根据所述数据流图中包含的各变量之间的依赖关系,生成掩码矩阵,其中,针对每两个变量,若该两个变量在所述数据流图中对应的节点之间不存在边相连,则该两个变量在所述掩码矩阵中对应的值为指定标识值;
将所述样本序列以及所述掩码矩阵输入到预设的代码生成模型中。
可选地,以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,具体包括:
从各语义单元中确定出为所述代码序列中包含的代码的各语义单元,作为目标语义单元;
以最小化所述目标语义单元对应的预测语义单元和所述目标语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型。
本说明书提供了一种代码生成方法,所述方法包括:
获取用户输入的描述文本;
将所述描述文本输入到预先训练的代码生成模型中,以通过所述代码生成模型,根据所述描述文本,生成目标代码,并根据所述目标代码进行任务执行,所述代码生成模型是通过上述模型训练方法训练得到。
本说明书提供了一种模型训练装置,包括:
获取模块,用于获取样本序列,所述样本序列包括:样本代码中包含的代码注释序列、样本代码中包含的变量序列、样本代码对应的代码序列;
确定模块,用于将所述样本序列输入到预设的代码生成模型中,以通过所述代码生成模型,针对所述样本序列中包含的每个语义单元,若该语义单元为所述变量序列中包含的变量,则从在所述样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和所述参考语义单元之间的相关度,确定该语义单元的注意力特征表示,若该语义单元不为所述变量序列中包含的变量,则根据该语义单元和在所述样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示;
预测模块,用于根据该语义单元的注意力特征表示,预测在所述样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元;
训练模块,用于以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,并通过所述训练后代码生成模型进行任务执行。
可选地,所述装置还包括:解析模块;
所述解析模块用于对所述样本代码进行解析,生成所述样本代码对应的抽象语法树;
根据所述抽象语法树,确定所述样本代码中包含的各变量以及各变量之间的依赖关系,并根据所述依赖关系,生成数据流图;
将所述样本序列以及所述数据流图输入到预设的代码生成模型中。
本说明书提供了一种代码生成装置,包括:
文本获取模块,用于获取用户输入的描述文本;
生成模块,用于将所述描述文本输入到预先训练的代码生成模型中,以通过所述代码生成模型,根据所述描述文本,生成目标代码,并根据所述目标代码进行任务执行,所述代码生成模型是通过上述模型训练的方法训练得到。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练、代码生成方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练、代码生成方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的代码生成方法中,获取样本序列,样本序列包括:样本代码对应的代码序列、样本代码中包含的代码注释序列、样本代码中包含的变量序列,将各样本序列输入到预设的代码生成模型中,以通过代码生成模型,针对样本序列中包含的每个语义单元,若该语义单元为变量序列中包含的变量,则从在样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和参考语义单元之间的相关度,确定该语义单元的注意力特征表示,若该语义单元不为变量序列中包含的变量,则根据该语义单元和在所述样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示,根据该语义单元的注意力特征表示,预测在样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元,以最小化预测语义单元和预测语义单元在样本代码中实际对应的语义单元之间的偏差为优化目标,对代码生成模型进行训练,得到训练后代码生成模型,并通过训练后代码生成模型进行任务执行。
从上述方法可以看出,可以基于作为该语义单元的变量与作为语义单元的变量所依赖的其他变量之间的依赖关系,以及,作为该语义单元的变量与在样本代码的变量调用先后顺序,对代码生成模型进行训练,从而可以有效降低代码生成模型训练过程中所受到的无关特征的干扰,进而可以提升通过代码生成模型生成的计算机程序代码的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种模型训练方法的流程示意图;
图2为本说明书中提供的数据流图的示意图;
图3为本说明书中提供的掩码矩阵的示意图;
图4为本说明书中提供的一种代码生成方法的流程示意图;
图5为本说明书提供的一种模型训练装置的示意图;
图6为本说明书提供的一种代码生成装置的示意图;
图7为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练方法的流程示意图,包括以下步骤:
S101:获取样本序列,所述样本序列包括:样本代码中包含的代码注释序列、样本代码中包含的变量序列、样本代码对应的代码序列。
在本说明书中,业务平台可以获取历史获取的用于实现不同功能的代码,作为样本代码,进而可以从样本代码中提取出各变量,作为样本代码中包含的变量序列,从样本代码中提取出各代码注释,作为样本代码中包含的代码注释序列,将样本代码中除变量和代码注释之外的其他代码,作为样本代码对应的代码序列。
进一步地,业务平台可以将上述的样本代码对应的代码序列、样本代码中包含的代码注释序列、样本代码中包含的变量序列进行拼接,得到拼接后的序列作为样本序列。
需要说明的是,上述的样本代码对应的代码序列、样本代码中包含的代码注释序列、样本代码中包含的变量序列均为语义单元token序列,其中,在样本代码对应的代码序列中,样本代码中包含的每个单词和/或每个字母,均可以作为样本代码对应的代码序列中的一个语义单元,在样本代码中包含的代码注释序列中,样本代码包含的代码注释中的每个字,均可以作为样本代码中包含的代码注释序列中的一个语义单元,在样本代码中包含的变量序列中,样本代码中包含的每个变量的名称,均可以作为样本代码中包含的变量序列中的一个语义单元。
在本说明书中,用于实现模型训练方法的执行主体,可以是指服务器等设置于业务平台中指定设备,也可以为笔记本电脑、台式电脑、手机等终端设备,下面仅以服务器是执行主体为例,对本说明书提供的模型训练方法进行说明。
S102:将所述样本序列输入到预设的代码生成模型中,以通过所述代码生成模型,针对所述样本序列中包含的每个语义单元,若该语义单元为所述变量序列中包含的变量,则从在所述样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和所述参考语义单元之间的相关度,确定该语义单元的注意力特征表示,若该语义单元不为所述变量序列中包含的变量,则根据该语义单元和在所述样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示。
在本说明书中,服务器可以将各样本序列输入到预设的代码生成模型中,以通过代码生成模型,针对样本序列中包含的每个语义单元中包含的对应着变量序列中包含的变量的语义单元,则可以从在样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和所述参考语义单元之间的相关度,确定该语义单元的注意力特征表示,其中,若两个变量在样本代码中存在值的传递关系,则该两个变量对应的语义单元之间存在依赖关系。
例如:若样本代码中的部分代码为“x=4y=x”,即,将变量x的值设置为4,并将变量x的值赋值给变量y,使得y=x=4,则可以确定,变量x与变量y之间存在值的传递关系,也就是变量x的值传递给变量y,此时,则可以认为变量y依赖于变量x。
进一步地,针对各语义单元中除了由变量序列中包含的各变量对应的语义单元之外的其他语义单元,则根据该语义单元和在样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示。
需要说明的是,服务器确定每个语义单元的注意力特征表示的方法可以是通过代码生成模型中包含的多层采用多头自注意力机制的Transformer解码器中,以通过每个Transformer解码器,确定出每个语义单元的注意力特征表示。
其中,在服务器将各样本序列输入到预设的代码生成模型中之前,服务器还可以对样本代码进行解析,生成样本代码对应的抽象语法(Abstract Syntax Tree,AST)树,进而可以根据抽象语法树,确定样本代码中包含的各变量以及各变量之间的依赖关系,并根据依赖关系,生成数据流图,进而可以将各样本序列以及数据流图输入到预设的代码生成模型中,以通过代码生成模型,针对样本序列中包含的每个语义单元,若该语义单元为所述变量序列中包含的变量,则根据数据流图确定作为该语义单元的变量所依赖的其他变量,并根据作为该语义单元的变量与作为该语义单元的变量所依赖的其他变量之间的相关度,以及,根据作为该语义单元的变量与在样本代码的变量调用先后顺序中在该变量之前的其他变量之间的相关度,确定该语义单元的注意力特征表示,其中,上述的数据流图如图2所示。
图2为本说明书中提供的数据流图的示意图。
结合图2可以看出,上述的数据流图为有向图,在上述的数据流图中,两个节点之间的边的朝向即为这两个节点对应的变量之间的值流向,如图2中的:“z=y”,即将变量y的值赋值为变量z,换句话说即为变量y的值流向变量z,所以在数据流图中变量y对应的节点指向变量z对应的节点,也就代表变量z依赖于变量y。
进一步地,服务器还可以根据数据流图中包含的各变量之间的依赖关系,生成掩码矩阵,具体如图3所示。
图3为本说明书中提供的掩码矩阵的示意图。
结合图3可以看出,针对每两个变量,若该两个变量在所述数据流图中对应的节点之间不存在边相连,则该两个变量在掩码矩阵中对应的值为指定标识值,这里的指定标识值可以为负无穷,若该两个变量在所述数据流图中对应的节点之间存在边相连,则该两个变量在掩码矩阵中对应的值可以根据实际需求设置,如:图3中若该两个变量在所述数据流图中对应的节点之间存在边相连,则该两个变量在掩码矩阵中对应的值可以为0。
进一步地,服务器在生成掩码矩阵后,可以将各样本序列以及掩码矩阵输入到预设的代码生成模型中,以通过代码生成模型,针对样本序列中包含的各语义单元中变量对应的语义单元,则可以根据掩码矩阵,确定该语义单元和该语义单元对应的参考语义单元之间的相关度,以确定该语义单元的注意力特征表示。
S103:根据该语义单元的注意力特征表示,预测在所述样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元。
S104:以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,并通过所述训练后代码生成模型进行任务执行。
进一步地,服务器可以通过代码生成模型,根据该语义单元的注意力特征表示,以及,根据在样本代码中位于该语义单元之前的其他语义单元的注意力特征标识,预测在样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元。
进一步地,服务器可以以最小化预测语义单元和预测语义单元在样本代码中实际对应的语义单元之间的偏差为优化目标,对代码生成模型进行训练,得到训练后代码生成模型,并通过训练后代码生成模型进行任务执行。
在实际应用场景中,为了减少作为自然语言的代码注释对应的损失给代码生成模型整体的损失带来的干扰,并为了提升代码生成模型的训练效率,服务器还可以从各语义单元中确定出为代码序列中包含的代码的各语义单元,作为目标语义单元,以最小化目标语义单元对应的预测语义单元和目标语义单元之间的偏差为优化目标,对代码生成模型进行训练,得到训练后代码生成模型。
从上述内容中可以看出,服务器将样本代码解析成数据流(即,序列)的形式,以提供样本代码中各语义单元之间的流动和交互等语义信息,并且由于数据流的结构相比AST更为简洁,可以避免AST中额外包含的各深层信息对代码生成模型的干扰,以及可以通过掩码矩阵,使得代码生成模型能够有效学习变量之间依赖关系。
为了进一步地对本说明书进行说明,下面详细描述通过上述方法训练得到的代码生成模型,进行代码生成的方法,如图4所示。
图4为本说明书中提供的一种代码生成方法的流程示意图,包括以下步骤:
S401:获取用户输入的描述文本。
S402:将所述描述文本输入到预先训练的代码生成模型中,以通过所述代码生成模型,根据所述描述文本,生成目标代码,并根据所述目标代码进行任务执行,所述代码生成模型是通过上述模型训练方法训练得到。
在本说明书中,服务器可以获取用户输入的描述文本,这里的描述文本可以为用户使用自然语言编写的用于描述所需要生成的目标代码的功能的文本。
进一步地,服务器可以将描述文本输入到预先训练的代码生成模型中,以通过代码生成模型,根据描述文本,生成目标代码,并根据目标代码进行任务执行,上述的代码生成模型是通过上述模型训练方法训练得到。
从上述内容中可以看出,服务器可以通过训练后的代码生成模型,根据用户输入的描述文本,为用户生成相应的目标代码。
以上为本说明书的一个或多个实施模型训练、代码生成方法,基于同样的思路,本说明书还提供了相应的模型训练、代码生成装置,如图5,图6所示。
图5为本说明书提供的一种模型训练装置的示意图,包括:
获取模块501,用于获取样本序列,所述样本序列包括:样本代码对应的代码序列、样本代码中包含的代码注释序列、样本代码中包含的变量序列;
确定模块502,用于将所述样本序列输入到预设的代码生成模型中,以通过所述代码生成模型,针对所述样本序列中包含的每个语义单元,若该语义单元为所述变量序列中包含的变量,则从在所述样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和所述参考语义单元之间的相关度,确定该语义单元的注意力特征表示,若该语义单元不为所述变量序列中包含的变量,则根据该语义单元和在所述样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示;
预测模块503,用于根据各语义单元的注意力特征表示,预测在所述样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元;
训练模块504,用于以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,并通过所述训练后代码生成模型进行任务执行。
可选地,所述装置还包括:解析模块505;
所述解析模块505用于,对所述样本代码进行解析,生成所述样本代码对应的抽象语法树;根据所述抽象语法树,确定所述样本代码中包含的各变量以及各变量之间的依赖关系,并根据所述依赖关系,生成数据流图;将所述样本序列以及所述数据流图输入到预设的代码生成模型中。
可选地,所述确定模块502具体用于,根据所述数据流图中包含的各变量之间的依赖关系,生成掩码矩阵,其中,针对每两个变量,若该两个变量在所述数据流图中对应的节点之间不存在边相连,则该两个变量在所述掩码矩阵中对应的值为指定标识值;将所述样本序列以及所述掩码矩阵输入到预设的代码生成模型中。
可选地,所述训练模块504具体用于,从各语义单元中确定出为所述代码序列中包含的代码的各语义单元,作为目标语义单元;以最小化所述目标语义单元对应的预测语义单元和所述目标语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型。
图6为本说明书提供的一种代码生成装置的示意图,包括:
文本获取模块601,用于获取用户输入的描述文本;
生成模块602,用于将所述描述文本输入到预先训练的代码生成模型中,以通过所述代码生成模型,根据所述描述文本,生成目标代码,并根据所述目标代码进行任务执行,所述代码生成模型是通过上述模型训练方法训练得到。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种模型训练方法。
本说明书还提供了图7所示的一种对应于图1的电子设备的示意结构图。如图7所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的模型训练方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种模型训练方法,其特征在于,所述方法包括:
获取样本序列,所述样本序列包括:样本代码中包含的代码注释序列、样本代码中包含的变量序列、样本代码对应的代码序列;
将所述样本序列输入到预设的代码生成模型中,以通过所述代码生成模型,针对所述样本序列中包含的每个语义单元,若该语义单元为所述变量序列中包含的变量,则从在所述样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和所述参考语义单元之间的相关度,确定该语义单元的注意力特征表示,若该语义单元不为所述变量序列中包含的变量,则根据该语义单元和在所述样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示;
根据该语义单元的注意力特征表示,预测在所述样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元;
以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,并通过所述训练后代码生成模型进行任务执行。
2.如权利要求1所述的方法,其特征在于,将所述样本序列输入到预设的代码生成模型中,具体包括:
对所述样本代码进行解析,生成所述样本代码对应的抽象语法树;
根据所述抽象语法树,确定所述样本代码中包含的各变量以及各变量之间的依赖关系,并根据所述依赖关系,生成数据流图;
将所述样本序列以及所述数据流图输入到预设的代码生成模型中。
3.如权利要求2所述的方法,其特征在于,将所述样本序列以及所述数据流图输入到预设的代码生成模型中,具体包括:
根据所述数据流图中包含的各变量之间的依赖关系,生成掩码矩阵,其中,针对每两个变量,若该两个变量在所述数据流图中对应的节点之间不存在边相连,则该两个变量在所述掩码矩阵中对应的值为指定标识值;
将所述样本序列以及所述掩码矩阵输入到预设的代码生成模型中。
4.如权利要求2所述的方法,其特征在于,以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,具体包括:
从各语义单元中确定出为所述代码序列中包含的代码的各语义单元,作为目标语义单元;
以最小化所述目标语义单元对应的预测语义单元和所述目标语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型。
5.一种代码生成方法,其特征在于,所述方法包括:
获取用户输入的描述文本;
将所述描述文本输入到预先训练的代码生成模型中,以通过所述代码生成模型,根据所述描述文本,生成目标代码,并根据所述目标代码进行任务执行,所述代码生成模型是通过上述权利要求1~4任一项所述的方法训练得到。
6.一种模型训练装置,其特征在于,包括:
获取模块,用于获取样本序列,所述样本序列包括:样本代码中包含的代码注释序列、样本代码中包含的变量序列、样本代码对应的代码序列;
确定模块,用于将所述样本序列输入到预设的代码生成模型中,以通过所述代码生成模型,针对所述样本序列中包含的每个语义单元,若该语义单元为所述变量序列中包含的变量,则从在所述样本代码中在作为该语义单元之前的各语义单元中,确定出除与作为该语义单元的变量之间不存在依赖关系的其他变量对应的语义单元之外的其他语义单元,作为该语义单元对应的参考语义单元,根据该语义单元和所述参考语义单元之间的相关度,确定该语义单元的注意力特征表示,若该语义单元不为所述变量序列中包含的变量,则根据该语义单元和在所述样本代码中在该语义单元之前的其他语义单元之间的相关度,确定该语义单元的注意力特征表示;
预测模块,用于根据该语义单元的注意力特征表示,预测在所述样本代码中位于该语义单元之后的下一个语义单元,作为预测语义单元;
训练模块,用于以最小化所述预测语义单元和所述预测语义单元在所述样本代码中实际对应的语义单元之间的偏差为优化目标,对所述代码生成模型进行训练,得到训练后代码生成模型,并通过所述训练后代码生成模型进行任务执行。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:解析模块;
所述解析模块用于对所述样本代码进行解析,生成所述样本代码对应的抽象语法树;
根据所述抽象语法树,确定所述样本代码中包含的各变量以及各变量之间的依赖关系,并根据所述依赖关系,生成数据流图;
将所述样本序列以及所述数据流图输入到预设的代码生成模型中。
8.一种代码生成装置,其特征在于,包括:
文本获取模块,用于获取用户输入的描述文本;
生成模块,用于将所述描述文本输入到预先训练的代码生成模型中,以通过所述代码生成模型,根据所述描述文本,生成目标代码,并根据所述目标代码进行任务执行,所述代码生成模型是通过上述权利要求1~4任一项所述的方法训练得到。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714139.8A CN117828360A (zh) | 2023-12-13 | 2023-12-13 | 一种模型训练、代码生成方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714139.8A CN117828360A (zh) | 2023-12-13 | 2023-12-13 | 一种模型训练、代码生成方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117828360A true CN117828360A (zh) | 2024-04-05 |
Family
ID=90514548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311714139.8A Pending CN117828360A (zh) | 2023-12-13 | 2023-12-13 | 一种模型训练、代码生成方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828360A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118113272A (zh) * | 2024-04-23 | 2024-05-31 | 粤港澳大湾区数字经济研究院(福田) | 一种基于语义思维链的代码生成方法、装置、终端及介质 |
CN118569207A (zh) * | 2024-07-29 | 2024-08-30 | 之江实验室 | 一种基于预生成token的星载大模型投机解码方法和装置 |
-
2023
- 2023-12-13 CN CN202311714139.8A patent/CN117828360A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118113272A (zh) * | 2024-04-23 | 2024-05-31 | 粤港澳大湾区数字经济研究院(福田) | 一种基于语义思维链的代码生成方法、装置、终端及介质 |
CN118113272B (zh) * | 2024-04-23 | 2024-07-30 | 粤港澳大湾区数字经济研究院(福田) | 一种基于语义思维链的代码生成方法、装置、终端及介质 |
CN118569207A (zh) * | 2024-07-29 | 2024-08-30 | 之江实验室 | 一种基于预生成token的星载大模型投机解码方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117828360A (zh) | 一种模型训练、代码生成方法、装置、存储介质及设备 | |
CN116188632A (zh) | 一种图像的生成方法、装置、存储介质及电子设备 | |
CN116663618B (zh) | 一种算子优化方法、装置、存储介质及电子设备 | |
CN115203394A (zh) | 一种模型训练的方法、业务执行的方法及装置 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN116860259B (zh) | 一种模型训练和编译器自动调优的方法、装置及设备 | |
CN114547024A (zh) | 一种sql语句风险检测方法、装置、设备及介质 | |
CN117369783B (zh) | 一种安全代码生成模型的训练方法及装置 | |
CN116402165B (zh) | 一种算子检测的方法、装置、存储介质以及电子设备 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN110874322B (zh) | 一种用于应用程序的测试方法及测试服务器 | |
CN116186231A (zh) | 一种回复文本的生成方法、装置、存储介质及电子设备 | |
CN116304704A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN117992600B (zh) | 一种业务执行方法、装置、存储介质以及电子设备 | |
CN115658891B (zh) | 一种意图识别的方法、装置、存储介质及电子设备 | |
CN117519733B (zh) | 一种项目部署方法、装置、存储介质及电子设备 | |
CN113590490B (zh) | 一种自动化测试方法、装置以及设备 | |
CN117573849B (zh) | 一种知识图谱多跳问答方法、装置、设备及存储介质 | |
CN117593003A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117351946A (zh) | 一种语音识别方法、装置、存储介质及电子设备 | |
CN117743824A (zh) | 一种模型训练、业务执行方法、装置、存储介质及设备 | |
CN118709692A (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN118349468A (zh) | 一种程序的测试方法、装置、电子设备及存储介质 | |
CN117591217A (zh) | 一种信息展示方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |