Code Trans T5 Large Source Code Summarization Python Multitask Finetune

🚀 CodeTrans模型：用于Python源代码摘要生成

CodeTrans模型基于t5-large架构，在Python编程语言上进行预训练，可用于生成Python函数的描述或在其他Python代码任务上进行微调，为Python代码摘要生成提供了有效的解决方案。

🚀 快速开始

以下是使用Transformers的SummarizationPipeline来使用此模型生成Python函数文档的示例：

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中运行此示例。

✨ 主要特性

• 架构基础：基于t5-large模型构建，拥有自己的SentencePiece词汇模型。
• 多任务训练：在软件开发领域的13个监督任务和7个无监督数据集上进行多任务训练。
• 微调优化：针对Python代码片段的源代码摘要任务进行了微调。

📦 安装指南

文档未提及具体安装步骤，暂无法提供。

💻 使用示例

基础用法

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])

📚 详细文档

模型描述

此CodeTrans模型基于t5-large模型，具备自己的SentencePiece词汇模型。它在软件开发领域的13个监督任务和7个无监督数据集上进行多任务训练，然后针对Python代码片段的源代码摘要任务进行微调。

预期用途与限制

该模型可用于生成Python函数的描述，或在其他Python代码任务上进行微调。它可以处理未解析和未标记化的Python代码，但如果代码经过标记化处理，性能会更好。

训练数据

监督训练任务的数据集可从此处下载。

训练过程

多任务预训练

模型在单个TPU Pod V3 - 8上总共训练了500,000步，使用序列长度为512（批量大小为4096）。它总共有约2.2亿个参数，采用编码器 - 解码器架构进行训练。预训练使用的优化器是AdaFactor，学习率采用逆平方根调度。

微调

该模型随后在单个TPU Pod V2 - 8上针对仅包含Python代码的数据集进行了100步的微调，使用序列长度为512（批量大小为256）。

评估结果

对于源代码摘要任务，不同模型在不同编程语言上取得了以下BLEU分数的结果：

🔧 技术细节

该模型基于t5-large架构，使用SentencePiece词汇模型。在多任务训练阶段，结合了软件开发领域的多个监督和无监督任务。微调阶段则专注于Python代码的摘要生成任务，通过在特定数据集上的训练来优化模型性能。

📄 许可证

文档未提及许可证信息，暂无法提供。

此项目由 Ahmed Elnaggar | LinkedIn 和 Wei Ding | LinkedIn 创建。