CodeGen (CodeGen-NL 350M)

模型描述

CodeGen是一系列自回归语言模型，用于程序合成，来自论文： A Conversational Paradigm for Program Synthesis ，作者为Erik Nijkamp, Bo Pang, Hiroaki Hayashi, Lifu Tu, Huan Wang, Yingbo Zhou, Silvio Savarese, Caiming Xiong。这些模型最初在 this repository 中发布，包括3个预训练数据变体（NL，Multi，Mono）和4个模型规模变体（350M，2B，6B，16B）。

此存储库中的检查点在论文中被称为CodeGen-NL 350M，其中“NL”表示其在Pile上进行了预训练，“350M”指的是可训练参数的数量。

训练数据

此检查点（CodeGen-NL 350M）是在 the Pile 上进行的预训练，该数据集是由 EleutherAI 创建的大规模精选数据集。数据集的部分包含代码数据。

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概率似然。这些模型系列使用Google的多个TPU-v4-512进行训练，利用数据和模型的并行性。有关详细信息，请参见 paper 的第2.3节。

评估结果

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

预期用途和限制

作为自回归语言模型，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，该模型旨在进行程序合成，即在给定英语提示的情况下生成可执行代码，其中提示应以注释字符串的形式提供。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-350M-nl")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-350M-nl")

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条目和引文信息

@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}
}