作者：熊唯，黃飛?，騰訊 PCG/QQ研發(fā)中心/CV應(yīng)用研究組

AI 如果真的可以寫代碼了，程序員將何去何從？近幾年，NLP 領(lǐng)域的生成式任務(wù)有明顯的提升，那通過 AI 我們可以讓代碼自動完成后續(xù)補全嗎？本文主要介紹了如何使用 GPT2 框架實現(xiàn)代碼自動補全的功能。

如果 AI 真的可以自己寫代碼了，程序員將何去何從？

我去年做過一個代碼補全的小功能，打包為 androidStudio 插件，使用效果如下：

代碼補全模型預(yù)測出的結(jié)果有時的確會驚嚇到我，這也能學(xué)到~? 那如果給它見識了全世界的優(yōu)秀代碼，再給足夠量級參數(shù)和優(yōu)秀的模型框架，真的可以實現(xiàn)需求作為輸入，直接輸出代碼嗎?

"我的需求講完了，你的代碼呢?" 希望可以看到這一天。

代碼補齊功能有其他優(yōu)秀插件也已實現(xiàn)，比如 tabnine，Kite 和國產(chǎn)的 aixcoder。本文主要介紹下代碼補全功能需要實現(xiàn)的整套流程。主要包括數(shù)據(jù)，算法和工程。

數(shù)據(jù)

眾所周知，算法工程師大部分時間都在處理數(shù)據(jù)。

深度學(xué)習(xí)是使用大數(shù)據(jù)訓(xùn)練模型的一個過程，數(shù)據(jù)是很重要的一個模塊。人是會累的，休息不好還導(dǎo)致記憶不好。AI 是你給多少數(shù)據(jù)它就能存儲接收多少數(shù)據(jù)，學(xué)不到信息那是人的錯，給的數(shù)據(jù)不好或者算法設(shè)計不好。所以我們先盡可能多的準(zhǔn)備好訓(xùn)練數(shù)據(jù)。

1、數(shù)據(jù)采集

本文的目的是代碼補全，訓(xùn)練數(shù)據(jù)就是代碼段。考慮到每種語言風(fēng)格和語法都不一致，所以單個模型只針對一種代碼語言。

我使用的訓(xùn)練數(shù)據(jù)主要來源于 GitHub，編寫了一個簡單的爬蟲代碼，指定語言后根據(jù) stars 的排序下載工程。

Github 的 search API 官方地址：

https://developer.github.com/v3/search/

2、數(shù)據(jù)清理

直接下載的數(shù)據(jù)肯定是不能直接用的，我們還需要對數(shù)據(jù)進(jìn)行清理。

首先，我們的訓(xùn)練數(shù)據(jù)只需要工程中的代碼文件，以 java 工程為例，我們只保留.java 結(jié)尾的文件，其他文件可剔除。

其次，我的代碼補全目標(biāo)是代碼段，不針對注釋功能。而且對于代碼補全訓(xùn)練時，我們是會給定一定范圍的上文，如果存在注釋段會占用有效代碼信息。另外注釋除英文外其他字符不在我的訓(xùn)練 vocab 范圍內(nèi)，所以需要對代碼中注釋和日志進(jìn)行清理。

1.刪除代碼行中存在除符號和英文外的字符

2.刪除日志行

3.刪除注釋行，主要針對以下格式

/*?注釋文本*//** 注釋段落 *///?注釋文本code?//注釋

經(jīng)過以上數(shù)據(jù)清理后，得到純代碼數(shù)據(jù)。

3、數(shù)據(jù)編碼

得到了訓(xùn)練數(shù)據(jù)后還需要把代碼文本進(jìn)行編碼。本文使用的是 bpe（byte pair encoder）字節(jié)對編碼，主要為了數(shù)據(jù)壓縮。bpe 簡單理解為將一個單詞再拆分為多個字母組合，比如 tencent 拆分為 ten-cent，這些組合方式則是根據(jù)大量數(shù)據(jù)，統(tǒng)計頻率得到。由于我們期待的代碼補全功能是在行首輸入幾個字母，根據(jù)上文預(yù)期出本行內(nèi)容。

假設(shè) tensorflow 這個 token 被編碼對應(yīng)到一個 id，那我希望輸入 ten 就輸出 tensorflow 是無法實現(xiàn)的。所以在訓(xùn)練過程中，我會隨機(jī)把 token 打斷，比如將 tensorflow 打斷為 t-en-sor-flow 進(jìn)行編碼，打斷原則是被切分的部分一定要在詞匯表中。數(shù)據(jù)編碼后，代碼的每個 token 被編碼為 1~N 個 id。模型預(yù)測到的 id 反編碼為 token 即可。回車符認(rèn)為是預(yù)測的終止符。經(jīng)過以上處理，我們就準(zhǔn)備好了訓(xùn)練數(shù)據(jù)，下面就可以進(jìn)行算法部分了。

模型算法

眾所周知，算法工程師大部分時間都在研究算法。

在騰訊文檔的錯別字糾錯需求中，我們采用了基于 LSTM 的 seq2seq 以及 facebook 提出的基于 CNN 的 seq2seq，可以得到不錯的糾錯效果。直到 NLP 出現(xiàn)了一個"網(wǎng)紅"--BERT，采用后精度直接提升 8 個點左右，不虧是 google。下面先簡單介紹下 bert 和 gpt2。

BERT 和 GPT2

2017 年中 google 提出了 Transformer 結(jié)構(gòu)。不用 rnn，不用 cnn，提出 attention is all you need。2018 年 openAI 采用了 transformers 結(jié)構(gòu)在 18 年發(fā)布了 GPT。同年 google AI Language 發(fā)布了 bert 論文，提出的 BERT 模型在 11 個 NLP 任務(wù)上刷新了記錄。2019 年 openAI 又推出了 GPT-2 模型。。

BERT（Bidirectional Encoder Representation from Transformers）是基于 transformers 框架的 encoder 部分，自編碼語言模型，適合 N-1（比如句子分類），N-N（比如詞性標(biāo)注）的任務(wù)，但是它并不適合做生成任務(wù)。

GPT（Generative Pre-Training）基于 transformers 的 decoder 部分，自回歸語言模型，適合生成式任務(wù)。

Transformer框架圖GPT2和BTER框架示意圖

代碼補全功能就是基于 GPT2 框架，OPenAI 官方提供了多套 GPT2 預(yù)訓(xùn)練模型：

官方提供GPT2參數(shù)

作為一個經(jīng)常要把模型部署到移動端的 CVer，看到這個參數(shù)級別，我選擇最小的模型進(jìn)行 finetune。

對于 GPT 算法，下面這篇文章講的很好，感興趣同學(xué)可以看看：

https://zhuanlan.zhihu.com/p/137350403??

GPT2的預(yù)測過程

本文在訓(xùn)練中使用 512 個上文，預(yù)測到回車符為終止。模型網(wǎng)絡(luò)使用超參:12 個層，768 個隱藏節(jié)點，12 個 heads，采用了 uber 的 Horovod 分布式框架進(jìn)行訓(xùn)練。

infer 階段采用 beam-search 會導(dǎo)致整個預(yù)測過程特別耗時，所以參考了https://arxiv.org/abs/1904.09751論文，采用 top-k sampling，每次預(yù)測 top3 的結(jié)果再通過概率閾值過濾后作為最終候選輸出。

最終 infer 效果：

輸入一段代碼，預(yù)測出后續(xù)代碼，以回車符截止。

工程

眾所周知，算法工程師大部分時間都在做工程。

訓(xùn)練出模型后，還要把模型應(yīng)用起來，所以還需要一些工程工作需要實現(xiàn)。代碼補全功能，最合適的應(yīng)用場景就是上 IDE。nlp 模型不太適合在本機(jī)部署，最終選擇了在 GPU 機(jī)器上部署模型，然后終端通過 http 請求獲取預(yù)測文本顯示的方案。

后臺部署

Flask 是一個 Web 應(yīng)用程序框架，靈活，輕便，容易上手。本文簡單介紹如何利用 flask 啟動一個 web 服務(wù)，以及如何訪問和調(diào)用我們的功能接口。首先我們創(chuàng)建一個 conda 環(huán)境：

conda?create?-n?flask?python=3.6 source?activate?flask pip?install?flask

代碼中增加一個接口函數(shù)：

from?flask?import?Flask from?flask?import?request app?=?Flask()#?route把一個函數(shù)綁定到對應(yīng)的?url?上 @app.route("/plugin",methods=['GET',]) def?send():data?=?request.args.get('data')#?模型預(yù)測邏輯out?=??model_infer(data)return?outif?__name__?==?'__main__':app.run(host='0.0.0.0',port=8080,?debug=False)

執(zhí)行 run.py 代碼，后臺服務(wù)開啟運行：

客戶端請求：

url?=?http://ip:8080/plugin?data="輸入"

其中 model_infer 函數(shù)需要實現(xiàn)模型的 infer 前向計算邏輯，從請求中獲取 data 字段作為輸入，infer 預(yù)測的結(jié)果列表作為輸出返回給調(diào)用方。

經(jīng)過上面的工作，我們已經(jīng)提供了一個服務(wù)接口，返回我們代碼補全的預(yù)測結(jié)果。

插件編寫

最后一步就是如何在 IDE 上使用功能了。我們要開發(fā) AS 的插件，需要使用 IntelliJ，首先需要在本機(jī)安裝配置 IntelliJ IDEA

下載地址:

https://www.jetbrains.com/idea/download/

社區(qū)版源碼:

https://github.com/JetBrains/intellij-community

好用的插件可以節(jié)省程序員很多時間，在插件實現(xiàn)時，我還添加了一個小的 git-blame 功能，實時查看指定行的 git 提交人，對于手 Q 這種多人合作的工作，比較實用。大家也可以通過 IntelliJ 自己開發(fā)一些常用功能。

gitBlame 的主要代碼：

public?class?GitBlame?extends?AnAction?{private?void?showPopupBalloon(final?Editor?editor,?final?String?result)?{ApplicationManager.getApplication().invokeLater(new?Runnable()?{public?void?run()?{JBPopupFactory?factory?=?JBPopupFactory.getInstance();factory.createHtmlTextBalloonBuilder(result,?null,?new?JBColor(new?Color(186,?238,?186),?new?Color(73,?117,?73)),?null).setFadeoutTime(5000).createBalloon().show(factory.guessBestPopupLocation(editor),?Balloon.Position.below);}});}@Overridepublic?void?actionPerformed(AnActionEvent?e)?{//?TODO:?insert?action?logic?here//獲得當(dāng)前本地代碼根目錄String?base_path?=?e.getProject().getBasePath();String?file_path?=?e.getProject().getProjectFilePath();//獲取編輯mEditorfinal?Editor?mEditor?=?e.getData(PlatformDataKeys.EDITOR);if?(null?==?mEditor)?{return;}SelectionModel?model?=?mEditor.getSelectionModel();final?String?selectedText?=?model.getSelectedText();if?(TextUtils.isEmpty(selectedText))?{return;}//獲取當(dāng)前編輯文檔的目錄PsiFile?mPsifile?=?e.getData(PlatformDataKeys.PSI_FILE);VirtualFile?file?=?mPsifile.getContainingFile().getOriginalFile().getVirtualFile();if?(file?!=?null?&&?file.isInLocalFileSystem())?{file_path?=?file.getCanonicalPath();}//gitkit工具JGitUtil?gitKit?=?new?JGitUtil();String?filename?=?file_path.replace(base_path+"/","");//得到blame信息int?line_index?=?mEditor.getSelectionModel().getSelectionStartPosition().getLine();String?blame_log?=?gitKit.git_blame(base_path,filename,line_index);//展示if?(!blame_log.isEmpty()){showPopupBalloon(mEditor,?blame_log);}} }

本文的代碼補全插件主要代碼邏輯為調(diào)用上一步后臺部署的請求。

//?請求url格式（和flask接口一致） String?baseUrl?=?"http://ip:8080/plugin?data="; //?獲取當(dāng)前編輯位置文本 PsiFile?str?=?position.getContainingFile(); //?根據(jù)模型上文限制獲取代碼端 String?data?=?getContentCode(); String?url?=?baseUrl+data; //?發(fā)送請求 String?result?=?HttpUtils.doGet(url); //?后處理邏輯，在提示框顯示預(yù)測結(jié)果 show()

最終呈現(xiàn)形式：

可以看出，模型的預(yù)計結(jié)果還是不錯的~

以上為代碼補全功能的實現(xiàn)和應(yīng)用，算是 AI 自動寫代碼的一小步。

AI 能否自己寫代碼，達(dá)到疑犯追蹤里 TM 那種水平，我不敢說一定不可能，但以我目前的認(rèn)知是實現(xiàn)不了，畢竟寫代碼的是程序員，給算法喂數(shù)據(jù)的是程序員，算法設(shè)計還是程序員，AI 連幫人類解 bug 的功能都還不出現(xiàn)！\

參考資料：

[1] https://arxiv.org/abs/1706.03762

[2] https://arxiv.org/abs/1810.04805

[3] https://github.com/openai/gpt-2

[4] https://arxiv.org/abs/1904.09751

超強(qiáng)干貨來襲 云風(fēng)專訪：近40年碼齡，通宵達(dá)旦的技術(shù)人生

總結(jié)

以上是生活随笔為你收集整理的让代码自动补全的全套流程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。