Code Trans T5 Large Source Code Summarization Python Multitask Finetune

🚀 CodeTrans模型：用於Python源代碼摘要生成

CodeTrans模型基於t5-large架構，在Python編程語言上進行預訓練，可用於生成Python函數的描述或在其他Python代碼任務上進行微調，為Python代碼摘要生成提供了有效的解決方案。

🚀 快速開始

以下是使用Transformers的SummarizationPipeline來使用此模型生成Python函數文檔的示例：

from transformers import AutoTokenizer, AutoModelWithLMHead, SummarizationPipeline

pipeline = SummarizationPipeline(
    model=AutoModelWithLMHead.from_pretrained("SEBIS/code_trans_t5_large_source_code_summarization_python_multitask_finetune"),
    tokenizer=AutoTokenizer.from_pretrained("SEBIS/code_trans_t5_large_source_code_summarization_python_multitask_finetune", skip_special_tokens=True),
    device=0
)

tokenized_code = '''with open ( CODE_STRING , CODE_STRING ) as in_file : buf = in_file . readlines ( )  with open ( CODE_STRING , CODE_STRING ) as out_file : for line in buf :          if line ==   " ; Include this text   " :              line = line +   " Include below  "          out_file . write ( line ) '''
pipeline([tokenized_code])

你可以在colab notebook中運行此示例。

✨ 主要特性

• 架構基礎：基於t5-large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Python代碼片段的源代碼摘要任務進行了微調。

📦 安裝指南

文檔未提及具體安裝步驟，暫無法提供。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModelWithLMHead, SummarizationPipeline

pipeline = SummarizationPipeline(
    model=AutoModelWithLMHead.from_pretrained("SEBIS/code_trans_t5_large_source_code_summarization_python_multitask_finetune"),
    tokenizer=AutoTokenizer.from_pretrained("SEBIS/code_trans_t5_large_source_code_summarization_python_multitask_finetune", skip_special_tokens=True),
    device=0
)

tokenized_code = '''with open ( CODE_STRING , CODE_STRING ) as in_file : buf = in_file . readlines ( )  with open ( CODE_STRING , CODE_STRING ) as out_file : for line in buf :          if line ==   " ; Include this text   " :              line = line +   " Include below  "          out_file . write ( line ) '''
pipeline([tokenized_code])

📚 詳細文檔

模型描述

此CodeTrans模型基於t5-large模型，具備自己的SentencePiece詞彙模型。它在軟件開發領域的13個監督任務和7個無監督數據集上進行多任務訓練，然後針對Python代碼片段的源代碼摘要任務進行微調。

預期用途與限制

該模型可用於生成Python函數的描述，或在其他Python代碼任務上進行微調。它可以處理未解析和未標記化的Python代碼，但如果代碼經過標記化處理，性能會更好。

訓練數據

監督訓練任務的數據集可從此處下載。

訓練過程

多任務預訓練

模型在單個TPU Pod V3 - 8上總共訓練了500,000步，使用序列長度為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。預訓練使用的優化器是AdaFactor，學習率採用逆平方根調度。

微調

該模型隨後在單個TPU Pod V2 - 8上針對僅包含Python代碼的數據集進行了100步的微調，使用序列長度為512（批量大小為256）。

評估結果

對於源代碼摘要任務，不同模型在不同編程語言上取得了以下BLEU分數的結果：

🔧 技術細節

該模型基於t5-large架構，使用SentencePiece詞彙模型。在多任務訓練階段，結合了軟件開發領域的多個監督和無監督任務。微調階段則專注於Python代碼的摘要生成任務，通過在特定數據集上的訓練來優化模型性能。

📄 許可證

文檔未提及許可證信息，暫無法提供。

此項目由 Ahmed Elnaggar | LinkedIn 和 Wei Ding | LinkedIn 創建。