Codeberta Small V1

🚀 CodeBERTa

这是一个以 SafeTensors 格式对 huggingface/CodeBERTa-small-v1 进行的非官方重新上传，使用的是 transformers 4.41.1。此次重新上传的目的是防止那些仍然具有重要参考价值的旧模型因 HuggingFace 的更新而变得过时。此外，我可能会进行一些小的修正，例如模型最大长度配置。

以下是原始模型卡片内容：

🚀 快速开始

掩码语言模型预测

基础用法

PHP_CODE = """
public static <mask> set(string $key, $value) {
	if (!in_array($key, self::$allowedKeys)) {
		throw new \InvalidArgumentException('Invalid key given');
	}
	self::$storedValues[$key] = $value;
}
""".lstrip()

高级用法

from transformers import pipeline

fill_mask = pipeline(
    "fill-mask",
    model="huggingface/CodeBERTa-small-v1",
    tokenizer="huggingface/CodeBERTa-small-v1"
)

fill_mask(PHP_CODE)

## 前 5 个预测结果:
# 
' function' # 概率 0.9999827146530151
'function'  # 
' void'     # 
' def'      # 
' final'    # 

对 Python 代码进行预测

PYTHON_CODE = """
def pipeline(
    task: str,
    model: Optional = None,
    framework: Optional[<mask>] = None,
    **kwargs
) -> Pipeline:
	pass
""".lstrip()

预测结果：

'framework', 'Framework', ' framework', 'None', 'str'

这个程序可以自动补全自身代码！😱

对自然语言进行掩码预测

fill_mask("My name is <mask>.")

# {'sequence': '<s> My name is undefined.</s>', 'score': 0.2548016905784607, 'token': 3353}
# {'sequence': '<s> My name is required.</s>', 'score': 0.07290805131196976, 'token': 2371}
# {'sequence': '<s> My name is null.</s>', 'score': 0.06323737651109695, 'token': 469}
# {'sequence': '<s> My name is name.</s>', 'score': 0.021919190883636475, 'token': 652}
# {'sequence': '<s> My name is disabled.</s>', 'score': 0.019681859761476517, 'token': 7434}

这种方式（在一定程度上）可行，因为代码中包含注释（注释中包含自然语言）。

当然，对于计算机科学家来说，最常见的名字肯定是 “undefined” 🤓。

下游任务：编程语言识别

查看 huggingface/CodeBERTa-language-id 的模型卡片 🤯。

✨ 主要特性

CodeBERTa 是一个类似 RoBERTa 的模型，在来自 GitHub 的 CodeSearchNet 数据集上进行训练。

支持的语言：

"go"
"java"
"javascript"
"php"
"python"
"ruby"

分词器 是一个基于字节级的 BPE 分词器，使用 Hugging Face 的 tokenizers 在语料库上进行训练。

由于它是在代码语料库（而非自然语言）上进行训练的，因此它能够高效地对语料库进行编码（与使用 gpt2/roberta 进行分词的相同语料库相比，序列长度缩短了 33% 到 50%）。

模型（小型）是一个 6 层、8400 万个参数的类似 RoBERTa 的 Transformer 模型，与 DistilBERT 的层数和头数相同，从默认初始化设置开始初始化，并在整个语料库（约 200 万个函数）上从头开始训练了 5 个 epoch。

本次训练的 Tensorboard ⤵️

📚 详细文档

CodeSearchNet 引用

@article{husain_codesearchnet_2019,
	title = {{CodeSearchNet} {Challenge}: {Evaluating} the {State} of {Semantic} {Code} {Search}},
	shorttitle = {{CodeSearchNet} {Challenge}},
	url = {http://arxiv.org/abs/1909.09436},
	urldate = {2020-03-12},
	journal = {arXiv:1909.09436 [cs, stat]},
	author = {Husain, Hamel and Wu, Ho-Hsiang and Gazit, Tiferet and Allamanis, Miltiadis and Brockschmidt, Marc},
	month = sep,
	year = {2019},
	note = {arXiv: 1909.09436},
}

📄 许可证

文档中未提及相关内容，跳过该章节。

🔧 技术细节

文档中未提及相关内容，跳过该章节。

📦 安装指南

文档中未提及相关内容，跳过该章节。