CodeGen (CodeGen-Mono 16B)

模型描述

CodeGen是一组自回归语言模型，用于程序综合，来源于论文: A Conversational Paradigm for Program Synthesis ，作者包括Erik Nijkamp、Bo Pang、Hiroaki Hayashi、Lifu Tu、Huan Wang、Yingbo Zhou、Silvio Savarese和Caiming Xiong。这些模型最初在 this repository 中发布，有3种预训练数据变体（NL、Multi、Mono）和4种模型大小变体（350M、2B、6B、16B）。

此存储库中包含的检查点在论文中被标记为CodeGen-Mono 16B，其中"Mono"表示该模型是用CodeGen-Multi 16B进行初始化的，并在Python编程语言数据集上进行了进一步的预训练，"16B"表示可训练参数的数量。

训练数据

此检查点（CodeGen-Mono 16B）首先使用CodeGen-Multi 16B进行初始化，然后在BigPython数据集上进行预训练。数据由71.7B个Python编程语言标记组成。有关详细信息，请参阅 paper 的第2.1节。

训练过程

CodeGen使用交叉熵损失进行训练，以最大化顺序输入的可能性。该系列模型使用Google的多个TPU-v4-512进行训练，利用数据和模型并行性。有关详细信息，请参阅 paper 的第2.3节。

评估结果

我们在两个代码生成基准（HumanEval和MTPB）上评估我们的模型。有关详细信息，请参阅 paper 。

预期使用和限制

作为一个自回归语言模型，CodeGen能够从给定的自然语言和编程语言文本中提取特征，并计算它们的可能性。然而，该模型的预期用途是程序综合，即根据英文提示生成可执行代码，其中提示应该以注释字符串的形式。该模型也可以完成部分生成的代码。

如何使用

可以使用AutoModelForCausalLM功能轻松加载此模型:

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-16B-mono")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-16B-mono")

text = "def hello_world():"
input_ids = tokenizer(text, return_tensors="pt").input_ids

generated_ids = model.generate(input_ids, max_length=128)
print(tokenizer.decode(generated_ids[0], skip_special_tokens=True))

BibTeX条目和引用信息

@article{Nijkamp2022ACP,
  title={A Conversational Paradigm for Program Synthesis},
  author={Nijkamp, Erik and Pang, Bo and Hayashi, Hiroaki and Tu, Lifu and Wang, Huan and Zhou, Yingbo and Savarese, Silvio and Xiong, Caiming},
  journal={arXiv preprint},
  year={2022}
}