是不是有一天想象著讓代碼自動補全，今天他來了！！！-有解無憂

在這里插入圖片描述

作者：熊唯，黃飛，騰訊 PCG/QQ研發中心/CV應用研究組

AI 如果真的可以寫代碼了，程式員將何去何從？近幾年，NLP 領域的生成式任務有明顯的提升，那通過 AI
我們可以讓代碼自動完成后續補全嗎？本文主要介紹了如何使用 GPT2 框架實作代碼自動補全的功能，

如果 AI 真的可以自己寫代碼了，程式員將何去何從？

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：

在這里插入圖片描述

代碼補全模型預測出的結果有時的確會驚嚇到我，這也能學到~? 那如果給它見識了全世界的優秀代碼，再給足夠量級引數和優秀的模型框架，真的可以實作需求作為輸入，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秀插件也已實作，比如 tabnine，Kite 和國產的 aixcoder，本文主要介紹下代碼補全功能需要實作的整套流程，主要包括資料，演算法和工程，

資料

眾所周知，演算法工程師大部分時間都在處理資料，

深度學習是使用大資料訓練模型的一個程序，資料是很重要的一個模塊，人是會累的，休息不好還導致記憶不好，AI 是你給多少資料它就能存盤接收多少資料，學不到資訊那是人的錯，給的資料不好或者演算法設計不好，所以我們先盡可能多的準備好訓練資料，

1、資料采集
本文的目的是代碼補全，訓練資料就是代碼段，考慮到每種語言風格和語法都不一致，所以單個模型只針對一種代碼語言，

我使用的訓練資料主要來源于 GitHub，撰寫了一個簡單的爬蟲代碼，指定語言后根據 stars 的排序下載工程，

Github 的 search API 官方地址：

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

2、資料清理
直接下載的資料肯定是不能直接用的，我們還需要對資料進行清理，

首先，我們的訓練資料只需要工程中的代碼檔案，以 java 工程為例，我們只保留.java 結尾的檔案，其他檔案可剔除，

其次，我的代碼補全目標是代碼段，不針對注釋功能，而且對于代碼補全訓練時，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資訊，另外注釋除英文外其他字符不在我的訓練 vocab 范圍內，所以需要對代碼中注釋和日志進行清理，

1.洗掉代碼行中存在除符號和英文外的字符

2.洗掉日志行

3.洗掉注釋行，主要針對以下格式

/* 注釋文本*/

/**
注釋段落
*/

// 注釋文本

code //注釋
經過以上資料清理后，得到純代碼資料，

3、資料編碼
得到了訓練資料后還需要把代碼文本進行編碼，本文使用的是 bpe（byte pair encoder）位元組對編碼，主要為了資料壓縮，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大量資料，統計頻率得到，由于我們期待的代碼補全功能是在行首輸入幾個字母，根據上文預期出本行內容，

假設 tensorflow 這個 token 被編碼對應到一個 id，那我希望輸入 ten 就輸出 tensorflow 是無法實作的，所以在訓練程序中，我會隨機把 token 打斷，比如將 tensorflow 打斷為 t-en-sor-flow 進行編碼，打斷原則是被切分的部分一定要在詞匯表中，資料編碼后，代碼的每個 token 被編碼為 1~N 個 id，模型預測到的 id 反編碼為 token 即可，回車符認為是預測的終止符，經過以上處理，我們就準備好了訓練資料，下面就可以進行演算法部分了，

模型演算法

眾所周知，演算法工程師大部分時間都在研究演算法，

在騰訊檔案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 出現了一個"網紅"--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 結構，不用 rnn，不用 cnn，提出 attention is all you need，2018 年 openAI 采用了 transformers 結構在 18 年發布了 GPT，同年 google AI Language 發布了 bert 論文，提出的 BERT 模型在 11 個 NLP 任務上重繪了記錄，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（比如詞性標注）的任務，但是它并不適合做生成任務，

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，

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 預訓練模型：

官方提供GPT2引數

作為一個經常要把模型部署到移動端的 CVer，看到這個引數級別，我選擇最小的模型進行 finetune，

對于 GPT 演算法，下面這篇文章講的很好，感興趣同學可以看看：

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

GPT2的預測程序

本文在訓練中使用 512 個上文，預測到回車符為終止，模型網路使用超參:12 個層，768 個隱藏節點，12 個 heads，采用了 uber 的 Horovod 分布式框架進行訓練，

infer 階段采用 beam-search 會導致整個預測程序特別耗時，所以參考了https://arxiv.org/abs/1904.09751論文，采用 top-k sampling，每次預測 top3 的結果再通過概率閾值過濾后作為最終候選輸出，

最終 infer 效果：

在這里插入圖片描述

輸入一段代碼，預測出后續代碼，以回車符截止，

工程

眾所周知，演算法工程師大部分時間都在做工程，

訓練出模型后，還要把模型應用起來，所以還需要一些工程作業需要實作，代碼補全功能，最合適的應用場景就是上 IDE，nlp 模型不太適合在本機部署，最終選擇了在 GPU 機器上部署模型，然后終端通過 http 請求獲取預測文本顯示的方案，

后臺部署

Flask 是一個 Web 應用程式框架，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，以及如何訪問和呼叫我們的功能介面，首先我們創建一個 conda 環境：

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

代碼中增加一個介面函式：

from flask import Flask
from flask import request
app = Flask()


# route把一個函式系結到對應的 url 上
@app.route("/plugin",methods=['GET',])
def send():
    data = https://www.cnblogs.com/MonsterJ/p/request.args.get('data')
   # 模型預測邏輯
    out =  model_infer(data)
    return out

if __name__ == '__main__':
    app.run(host='0.0.0.0',port=8080, debug=False)

執行 run.py 代碼，后臺服務開啟運行：

在這里插入圖片描述

客戶端請求：

url = http://ip:8080/plugin?data="https://www.cnblogs.com/MonsterJ/p/輸入"

其中 model_infer 函式需要實作模型的 infer 前向計算邏輯，從請求中獲取 data 欄位作為輸入，infer 預測的結果串列作為輸出回傳給呼叫方，

經過上面的作業，我們已經提供了一個服務介面，回傳我們代碼補全的預測結果，

插件撰寫

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

下載地址:

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

社區版原始碼:

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

好用的插件可以節省程式員很多時間，在插件實作時，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 這種多人合作的作業，比較實用，大家也可以通過 IntelliJ 自己開發一些常用功能，

在這里插入圖片描述

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);
            }
        });
    }

    @Override
    public void actionPerformed(AnActionEvent e) {
        // TODO: insert action logic here
        //獲得當前本地代碼根目錄
        String base_path = e.getProject().getBasePath();
        String file_path = e.getProject().getProjectFilePath();
        //獲取編輯mEditor
        final Editor mEditor = e.getData(PlatformDataKeys.EDITOR);
        if (null == mEditor) {
            return;
        }
        SelectionModel model = mEditor.getSelectionModel();
        final String selectedText = model.getSelectedText();
        if (TextUtils.isEmpty(selectedText)) {
            return;
        }

        //獲取當前編輯檔案的目錄
        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資訊
        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呼叫上一步后臺部署的請求，

// 請求url格式（和flask介面一致）
String baseUrl = "http://ip:8080/plugin?data="https://www.cnblogs.com/MonsterJ/p/;
// 獲取當前編輯位置文本
PsiFile str = position.getContainingFile();
// 根據模型上文限制獲取代碼端
String data = getContentCode();
String url = baseUrl+data;
// 發送請求
String result = HttpUtils.doGet(url);
// 后處理邏輯，在提示框顯示預測結果
show()

最終呈現形式：

在這里插入圖片描述

可以看出，模型的預計結果還是不錯的~

以上為代碼補全功能的實作和應用，算是 AI 自動寫代碼的一小步，

AI 能否自己寫代碼，達到疑犯追蹤里 TM 那種水平，我不敢說一定不可能，但以我目前的認知是實作不了，畢竟寫代碼的是程式員，給演算法喂資料的是程式員，演算法設計還是程式員，AI 連幫人類解 bug 的功能都還不出現！\

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

file

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/119097.html

標籤：Java

上一篇：JDK 8 的安裝與配置

下一篇：JDBC(1)-資料庫連接和CRUD操作