Codegen 16B Multi

🚀 CodeGen (CodeGen-Multi 16B)

CodeGen是一系列用于程序合成的自回归语言模型，它能够从给定的自然语言和编程语言文本中提取特征，并计算其可能性。该模型尤其擅长根据英文提示生成可执行代码，提示应以注释字符串的形式给出，也能补全部分生成的代码。

🚀 快速开始

这个模型可以使用 AutoModelForCausalLM 功能轻松加载：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-16B-multi")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-16B-multi")

text = "def hello_world():"
input_ids = tokenizer(text, return_tensors="pt").input_ids

generated_ids = model.generate(input_ids, max_length=128)
print(tokenizer.decode(generated_ids[0], skip_special_tokens=True))

✨ 主要特性

CodeGen是来自论文 A Conversational Paradigm for Program Synthesis 的一系列用于程序合成的自回归语言模型，论文作者包括Erik Nijkamp、Bo Pang、Hiroaki Hayashi、Lifu Tu、Huan Wang、Yingbo Zhou、Silvio Savarese、Caiming Xiong。这些模型最初发布在 此仓库 中，有3种预训练数据变体（NL、Multi、Mono）和4种模型大小变体（350M、2B、6B、16B）。

本仓库中包含的检查点在论文中被表示为 CodeGen-Multi 16B，其中“Multi”表示该模型以 CodeGen-NL 16B 初始化，并在多种编程语言的数据集上进一步预训练；“16B”指的是可训练参数的数量。

📦 安装指南

暂未提及安装步骤，跳过此章节。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-16B-multi")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-16B-multi")

text = "def hello_world():"
input_ids = tokenizer(text, return_tensors="pt").input_ids

generated_ids = model.generate(input_ids, max_length=128)
print(tokenizer.decode(generated_ids[0], skip_special_tokens=True))

高级用法

暂未提及高级用法代码示例，跳过此部分。

📚 详细文档

训练数据

此检查点（CodeGen-Multi 16B）首先以 CodeGen-NL 16B 初始化，然后在 BigQuery 上进行预训练，这是一个来自GitHub仓库的多种编程语言的大规模数据集。数据包含1192亿个标记，包括C、C++、Go、Java、JavaScript和Python。

训练过程

CodeGen使用交叉熵损失进行训练，以最大化序列输入的可能性。该系列模型由Google使用多个TPU - v4 - 512进行训练，利用了数据和模型并行性。更多细节请参阅 论文 的第2.3节。

评估结果

我们在两个代码生成基准测试上评估了我们的模型：HumanEval和MTPB。更多细节请参阅 论文。

预期用途和限制

作为自回归语言模型，CodeGen能够从给定的自然语言和编程语言文本中提取特征，并计算其可能性。然而，该模型旨在并最擅长程序合成，即根据英文提示生成可执行代码，提示应以注释字符串的形式给出。该模型也可以补全部分生成的代码。

道德考量

此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AI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。有关用例的进一步指导，请参阅我们的AUP和AI AUP。

🔧 技术细节

CodeGen使用交叉熵损失进行训练，以最大化序列输入的可能性。该系列模型由Google使用多个TPU - v4 - 512进行训练，利用了数据和模型并行性。更多细节请参阅 论文 的第2.3节。

📄 许可证

本项目采用BSD 3 - 条款许可证。

📖 引用信息

@article{Nijkamp2022ACP,
  title={A Conversational Paradigm for Program Synthesis},
  author={Nijkamp, Erik and Pang, Bo and Hayashi, Hiroaki and Tu, Lifu and Wang, Huan and Zhou, Yingbo and Savarese, Silvio and Xiong, Caiming},
  journal={arXiv preprint},
  year={2022}
}