模型:
Salesforce/codegen2-1B
CodeGen2 是一个自回归语言模型家族,用于程序合成,该模型最初由 Erik Nijkamp*、Hiroaki Hayashi*、Caiming Xiong、Silvio Savarese、Yingbo Zhou 在论文中介绍。
与原始的 CodeGen 模型家族 (即 CodeGen1) 不同,CodeGen2 能够进行插值,并支持更多的编程语言。
发布了四个模型规模: 1B, 3.7B, 7B, 16B。
可以使用 AutoModelForCausalLM 的功能轻松加载此模型。
对于常规的因果采样,只需给定上下文生成完整的输出。
from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen2-1B") model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen2-1B", trust_remote_code=True, revision="main") 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))
对于插值采样,我们引入了三种特殊的令牌类型:
例如,如果我们要为以下函数的光标位置生成插值:
def hello_world(): | return name
则模型的输入构建如下:
最终的片段如下所示:
from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen2-1B") model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen2-1B", trust_remote_code=True, revision="main") def format(prefix, suffix): return prefix + "<mask_1>" + suffix + "<|endoftext|>" + "<sep>" + "<mask_1>" prefix = "def hello_world():\n " suffix = " return name" text = format(prefix, suffix) 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=False)[len(text):])
您可能需要使用 <eom> 截断模型的输出。
该检查点是在 the deduplicated version of the Stack dataset (v1.1) 的严格宽容子集上进行训练的。支持的语言(和框架)如下:c、c++、c-sharp、dart、go、java、javascript、kotlin、lua、php、python、ruby、rust、scala、shell、sql、swift、typescript、vue。
CodeGen2 使用交叉熵损失进行训练,以最大化顺序输入的似然性。输入序列采用两种格式: (1) 因果语言建模和 (2) 文件级别的片段损坏。更多细节请参阅论文。
我们在人工评估 (HumanEval) 和人工评估插值 (HumanEval-Infill) 上评估我们的模型。更多细节请参阅 paper 。
作为自回归语言模型,CodeGen2 能够从给定的自然语言和编程语言文本中提取特征,并计算其似然性。然而,该模型适用于并擅长程序合成,即根据英文提示生成可执行代码,其中提示应以注释字符串的形式提供。模型还可以完整生成部分代码。
@article{Nijkamp2023codegen2, title={CodeGen2: Lessons for Training LLMs on Programming and Natural Languages}, author={Nijkamp, Erik and Hayashi, Hiroaki and Xiong, Caiming and Savarese, Silvio and Zhou, Yingbo}, journal={arXiv preprint}, year={2023} }