Codet5p 770m Py

🚀 CodeT5+ 770M（在Python上进一步微调）

CodeT5+ 是一个新的开源代码大语言模型家族，采用编码器 - 解码器架构，能够灵活地在不同模式（即 仅编码器、仅解码器 和 编码器 - 解码器）下运行，以支持广泛的代码理解和生成任务。它为代码相关任务提供了强大的支持，具有很高的灵活性和实用性。

🚀 快速开始

本模型可以使用 T5ForConditionalGeneration 功能轻松加载，并采用与原始 CodeT5 相同的分词器。

from transformers import T5ForConditionalGeneration, AutoTokenizer

checkpoint = "Salesforce/codet5p-770m-py"
device = "cuda" # 用于GPU使用，或 "cpu" 用于CPU使用

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = T5ForConditionalGeneration.from_pretrained(checkpoint).to(device)

inputs = tokenizer.encode("def print_hello_world():", return_tensors="pt").to(device)
outputs = model.generate(inputs, max_length=10)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
# ==>     print('Hello World!')

✨ 主要特性

• 多模式灵活运行：采用编码器 - 解码器架构，可在 仅编码器、仅解码器 和 编码器 - 解码器 模式下灵活操作，支持广泛的代码理解和生成任务。
• 多样化预训练任务：与原始 CodeT5 家族相比，CodeT5+ 通过包括 跨度去噪、因果语言建模、对比学习 和 文本 - 代码匹配 等多样化的预训练任务进行预训练，能够从单模态代码数据和双模态代码 - 文本数据中学习丰富的表示。
• 高效预训练方法：采用简单而有效的 计算高效预训练 方法，使用冻结的现成大语言模型（如 CodeGen）初始化模型组件，以有效地扩展模型规模（如 2B、6B、16B），并采用“浅编码器和深解码器”架构。
• 指令微调：按照 Code Alpaca 进行指令微调，以与自然语言指令对齐。

📦 安装指南

文档未提及具体安装步骤，可参考上述快速开始部分的代码示例进行模型加载。

💻 使用示例

基础用法

from transformers import T5ForConditionalGeneration, AutoTokenizer

checkpoint = "Salesforce/codet5p-770m-py"
device = "cuda" # 用于GPU使用，或 "cpu" 用于CPU使用

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = T5ForConditionalGeneration.from_pretrained(checkpoint).to(device)

inputs = tokenizer.encode("def print_hello_world():", return_tensors="pt").to(device)
outputs = model.generate(inputs, max_length=10)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
# ==>     print('Hello World!')

📚 详细文档

预训练数据

此检查点在 github-code 数据集 去重版本的更严格许可子集上进行训练。数据预处理时仅保留许可宽松的代码（“mit”、“apache - 2”、“bsd - 3 - clause”、“bsd - 2 - clause”、“cc0 - 1.0”、“unlicense”、“isc”）。支持的语言（共 9 种）如下：c、c++、c - sharp、go、java、javascript、php、python、ruby。

训练过程

此检查点首先在第一阶段预训练中对多语言单模态代码数据进行训练，其中包括一系列多样化的预训练任务，如 跨度去噪 和两种变体的 因果语言建模。之后，为了更好地适应 Python 代码生成，它在 Python 子集上以因果语言建模为目标再训练一个周期。更多详细信息请参考论文。

评估结果

CodeT5+ 模型在各种设置（零样本、微调 和 指令微调）下的广泛代码理解和生成任务中进行了全面评估。具体而言，与现有最优基线相比，CodeT5+ 在许多下游任务上取得了显著的性能提升，例如：8 个文本到代码检索任务（平均 MRR 提高 3.2）、2 个行级代码补全任务（平均精确匹配提高 2.1）和 2 个检索增强代码生成任务（平均 BLEU - 4 提高 5.8）。在 MathQA - Python 和 GSM8K - Python 上的 2 个数学编程任务中，参数小于十亿的 CodeT5+ 模型显著优于许多参数高达 137B 的大语言模型。特别是在 HumanEval 基准的零样本文本到代码生成任务中，InstructCodeT5+ 16B 相对于其他开源代码大语言模型创造了新的最优结果，pass@1 达到 35.0%，pass@10 达到 54.5%，甚至超过了闭源的 OpenAI code - cushman - 001 模型。

具体到这个检查点，它在零样本设置下的 HumanEval 上达到了 15.5% 的 pass@1，与更大的大语言模型（如 Incoder 6B 的 15.2%、GPT - NeoX 20B 的 15.4% 和 PaLM 62B 的 15.9%）相当。

🔧 技术细节

CodeT5+ 模型采用编码器 - 解码器架构，可在不同模式下运行。在预训练过程中，使用了多样化的预训练任务和高效的预训练方法，以学习丰富的代码表示。具体的技术细节可参考论文：CodeT5+: Open Code Large Language Models for Code Understanding and Generation。

📄 许可证

本项目采用 bsd - 3 - clause 许可证。

📖 引用信息

@article{wang2023codet5plus,
  title={CodeT5+: Open Code Large Language Models for Code Understanding and Generation},
  author={Wang, Yue and Le, Hung and Gotmare, Akhilesh Deepak and Bui, Nghi D.Q. and Li, Junnan and Hoi, Steven C. H.},
  journal={arXiv preprint},
  year={2023}
}

⚠️ 重要提示

本版本仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非专门为所有下游用途设计或评估。我们强烈建议用户在部署此模型之前评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑人工智能的常见局限性，遵守适用法律，并在选择用例时采用最佳实践，特别是在错误或滥用可能对人们的生活、权利或安全产生重大影响的高风险场景中。有关用例的更多指导，请参考我们的 AUP 和 AI AUP。