Code Trans T5 Base Code Documentation Generation Go Multitask Finetune

🚀 CodeTrans模型：用於Go代碼文檔生成

CodeTrans是一個基於t5-base架構的預訓練模型，專門針對Go編程語言進行了優化。它能夠為Go函數生成詳細的文檔描述，在代碼文檔生成任務中表現出色。該模型首次發佈於 此倉庫 ，並且在經過多任務訓練和微調後，對Go代碼的處理更加精準高效。

🚀 快速開始

本模型是基於t5-base架構在Go編程語言上進行預訓練的。它首次發佈於 此倉庫 。該模型在經過分詞處理的Go代碼函數上進行訓練，因此在處理分詞後的Go函數時效果最佳。

✨ 主要特性

• 架構基礎：基於t5-base模型構建，擁有自己的SentencePiece詞彙模型。
• 多任務訓練：在軟件開發領域的13個有監督任務和7個無監督數據集上進行多任務訓練。
• 微調優化：針對Go函數/方法的代碼文檔生成任務進行了微調。

📦 安裝指南

暫未提及具體安裝步驟，可參考模型倉庫中的相關說明進行安裝。

💻 使用示例

基礎用法

以下是如何使用Transformers庫中的SummarizationPipeline來生成Go函數文檔的示例代碼：

from transformers import AutoTokenizer, AutoModelWithLMHead, SummarizationPipeline

pipeline = SummarizationPipeline(
    model=AutoModelWithLMHead.from_pretrained("SEBIS/code_trans_t5_base_code_documentation_generation_go_multitask_finetune"),
    tokenizer=AutoTokenizer.from_pretrained("SEBIS/code_trans_t5_base_code_documentation_generation_go_multitask_finetune", skip_special_tokens=True),
    device=0
)

tokenized_code = "func ( pr * Progress ) needSnapshotAbort ( ) bool { return pr . State == ProgressStateSnapshot && pr . Match >= pr . PendingSnapshot   }"
pipeline([tokenized_code])

你可以在 Colab筆記本 中運行這個示例。

📚 詳細文檔

預期用途和限制

• 用途：該模型可用於生成Go函數的描述，也可在其他Go代碼任務上進行微調。它可以處理未解析和未分詞的Go代碼，但如果代碼已經過分詞處理，性能會更好。

訓練數據

有監督訓練任務的數據集可以從 此處 下載。

訓練過程

多任務預訓練

模型在單個TPU Pod V3 - 8上進行了總共50萬步的訓練，使用的序列長度為512（批量大小為4096）。它總共有約2.2億個參數，採用編碼器 - 解碼器架構進行訓練。預訓練時使用的優化器是AdaFactor，並採用逆平方根學習率調度。

微調

該模型隨後在單個TPU Pod V2 - 8上進行了2000步的微調，使用的序列長度為512（批量大小為256），且僅使用包含Go代碼的數據集。

評估結果

在代碼文檔生成任務中，不同模型在不同編程語言上的評估結果（以BLEU分數衡量）如下：

📄 許可證

文檔中未提及許可證相關信息。

由 Ahmed Elnaggar | LinkedIn 和 Wei Ding | LinkedIn 創建