CodeGen（CodeGen-NL 6B）

模型描述

CodeGen是一系列自回归语言模型，用于根据论文“ A Conversational Paradigm for Program Synthesis ”进行程序合成。这些模型最初发布在 “ this repository ” 下，有3个预训练数据变体（NL、Multi、Mono）和4个模型大小变体（350M、2B、6B、16B）。

本存储库中包含的检查点在论文中被标记为CodeGen-NL 6B，其中“NL”表示在Pile上预训练，“6B”表示可训练参数的数量。

训练数据

此检查点（CodeGen-NL 6B）是在由“ EleutherAI ”创建的大规模策划数据集“ the Pile ”上进行预训练的。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，以最大化序列输入的概率。这组模型使用Google的多个TPU-v4-512进行训练，利用了数据和模型的并行性。更多细节请参见“ paper ”的第2.3节。

评估结果

我们在两个代码生成基准（HumanEval和MTPB）上评估了我们的模型。更多详情请参见“ 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，并计算它们的概率。然而，该模型用于程序合成，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-6B-nl")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-6B-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}
}