Codegen 350M Mono

🚀 CodeGen (CodeGen-Mono 350M)

CodeGen是用于程序合成的自回归语言模型家族，源自Erik Nijkamp、Bo Pang、Hiroaki Hayashi、Lifu Tu、Huan Wang、Yingbo Zhou、Silvio Savarese、Caiming Xiong撰写的论文A Conversational Paradigm for Program Synthesis。这些模型最初在此仓库中发布，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表示为CodeGen-Mono 350M，其中“Mono”表示该模型以CodeGen-Multi 350M初始化，并在Python编程语言数据集上进一步预训练；“350M”指的是可训练参数的数量。

🚀 快速开始

本模型可以使用AutoModelForCausalLM轻松加载：

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-350M-mono")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-350M-mono")

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

• 作为自回归语言模型，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。
• 专为程序合成设计，擅长根据英文提示生成可执行代码，提示应为注释字符串形式，也能补全部分生成的代码。

📚 详细文档

模型描述

CodeGen是用于程序合成的自回归语言模型家族，源自论文：A Conversational Paradigm for Program Synthesis 。模型最初在此仓库中发布，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表示为CodeGen-Mono 350M，其中“Mono”表示该模型以CodeGen-Multi 350M初始化，并在Python编程语言数据集上进一步预训练；“350M”指的是可训练参数的数量。

训练数据

此检查点（CodeGen-Mono 350M）首先以CodeGen-Multi 350M初始化，然后在BigPython数据集上进行预训练。该数据包含717亿个Python编程语言的标记。更多详细信息请参阅论文的第2.1节。

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。该模型家族由Google使用多个TPU - v4 - 512进行训练，利用了数据和模型并行性。更多详细信息请参阅论文的第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。更多详细信息请参阅论文。

预期用途和局限性

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，该模型专为程序合成设计，并且最擅长根据英文提示生成可执行代码，提示应为注释字符串形式，也能补全部分生成的代码。

伦理考量

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。有关用例的进一步指导，请参阅我们的AUP和AI AUP。

BibTeX引用和引用信息

@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}
}

📄 许可证

本项目采用BSD 3 - 条款许可证。