作者：熊唯，黃飛?，騰訊 PCG/QQ研發中心/CV應用研究組

AI 如果真的可以寫代碼了，程序員將何去何從？近幾年，NLP 領域的生成式任務有明顯的提升，那通過 AI 我們可以讓代碼自動完成后續補全嗎？本文主要介紹了如何使用 GPT2 框架實現代碼自動補全的功能。

如果 AI 真的可以自己寫代碼了，程序員將何去何從？

我去年做過一個代碼補全的小功能，打包為 androidStudio 插件，使用效果如下：

代碼補全模型預測出的結果有時的確會驚嚇到我，這也能學到~? 那如果給它見識了全世界的優秀代碼，再給足夠量級參數和優秀的模型框架，真的可以實現需求作為輸入，直接輸出代碼嗎?

"我的需求講完了，你的代碼呢?" 希望可以看到這一天。

代碼補齊功能有其他優秀插件也已實現，比如 tabnine，Kite 和國產的 aixcoder。本文主要介紹下代碼補全功能需要實現的整套流程。主要包括數據，算法和工程。

數據

眾所周知，算法工程師大部分時間都在處理數據。

深度學習是使用大數據訓練模型的一個過程，數據是很重要的一個模塊。人是會累的，休息不好還導致記憶不好。AI 是你給多少數據它就能存儲接收多少數據，學不到信息那是人的錯，給的數據不好或者算法設計不好。所以我們先盡可能多的準備好訓練數據。

1、數據采集

本文的目的是代碼補全，訓練數據就是代碼段。考慮到每種語言風格和語法都不一致，所以單個模型只針對一種代碼語言。

我使用的訓練數據主要來源于 GitHub，編寫了一個簡單的爬蟲代碼，指定語言后根據 stars 的排序下載工程。

Github 的 search API 官方地址：

https://developer.github.com/v3/search/

2、數據清理

直接下載的數據肯定是不能直接用的，我們還需要對數據進行清理。

首先，我們的訓練數據只需要工程中的代碼文件，以 java 工程為例，我們只保留.java 結尾的文件，其他文件可剔除。

其次，我的代碼補全目標是代碼段，不針對注釋功能。而且對于代碼補全訓練時，我們是會給定一定范圍的上文，如果存在注釋段會占用有效代碼信息。另外注釋除英文外其他字符不在我的訓練 vocab 范圍內，所以需要對代碼中注釋和日志進行清理。

1.刪除代碼行中存在除符號和英文外的字符

2.刪除日志行

3.刪除注釋行，主要針對以下格式

/*?注釋文本*//** 注釋段落 *///?注釋文本code?//注釋

經過以上數據清理后，得到純代碼數據。

3、數據編碼

得到了訓練數據后還需要把代碼文本進行編碼。本文使用的是 bpe（byte pair encoder）字節對編碼，主要為了數據壓縮。bpe 簡單理解為將一個單詞再拆分為多個字母組合，比如 tencent 拆分為 ten-cent，這些組合方式則是根據大量數據，統計頻率得到。由于我們期待的代碼補全功能是在行首輸入幾個字母，根據上文預期出本行內容。

假設 tensorflow 這個 token 被編碼對應到一個 id，那我希望輸入 ten 就輸出 tensorflow 是無法實現的。所以在訓練過程中，我會隨機把 token 打斷，比如將 tensorflow 打斷為 t-en-sor-flow 進行編碼，打斷原則是被切分的部分一定要在詞匯表中。數據編碼后，代碼的每個 token 被編碼為 1~N 個 id。模型預測到的 id 反編碼為 token 即可。回車符認為是預測的終止符。經過以上處理，我們就準備好了訓練數據，下面就可以進行算法部分了。

模型算法

眾所周知，算法工程師大部分時間都在研究算法。

在騰訊文檔的錯別字糾錯需求中，我們采用了基于 LSTM 的 seq2seq 以及 facebook 提出的基于 CNN 的 seq2seq，可以得到不錯的糾錯效果。直到 NLP 出現了一個"網紅"--BERT，采用后精度直接提升 8 個點左右，不虧是 google。下面先簡單介紹下 bert 和 gpt2。

BERT 和 GPT2

2017 年中 google 提出了 Transformer 結構。不用 rnn，不用 cnn，提出 attention is all you need。2018 年 openAI 采用了 transformers 結構在 18 年發布了 GPT。同年 google AI Language 發布了 bert 論文，提出的 BERT 模型在 11 個 NLP 任務上刷新了記錄。2019 年 openAI 又推出了 GPT-2 模型。。

BERT（Bidirectional Encoder Representation from Transformers）是基于 transformers 框架的 encoder 部分，自編碼語言模型，適合 N-1（比如句子分類），N-N（比如詞性標注）的任務，但是它并不適合做生成任務。

GPT（Generative Pre-Training）基于 transformers 的 decoder 部分，自回歸語言模型，適合生成式任務。

Transformer框架圖GPT2和BTER框架示意圖

代碼補全功能就是基于 GPT2 框架，OPenAI 官方提供了多套 GPT2 預訓練模型：

官方提供GPT2參數

作為一個經常要把模型部署到移動端的 CVer，看到這個參數級別，我選擇最小的模型進行 finetune。

對于 GPT 算法，下面這篇文章講的很好，感興趣同學可以看看：

https://zhuanlan.zhihu.com/p/137350403??

GPT2的預測過程

本文在訓練中使用 512 個上文，預測到回車符為終止。模型網絡使用超參:12 個層，768 個隱藏節點，12 個 heads，采用了 uber 的 Horovod 分布式框架進行訓練。

infer 階段采用 beam-search 會導致整個預測過程特別耗時，所以參考了https://arxiv.org/abs/1904.09751論文，采用 top-k sampling，每次預測 top3 的結果再通過概率閾值過濾后作為最終候選輸出。

最終 infer 效果：

輸入一段代碼，預測出后續代碼，以回車符截止。

工程

眾所周知，算法工程師大部分時間都在做工程。

訓練出模型后，還要把模型應用起來，所以還需要一些工程工作需要實現。代碼補全功能，最合適的應用場景就是上 IDE。nlp 模型不太適合在本機部署，最終選擇了在 GPU 機器上部署模型，然后終端通過 http 請求獲取預測文本顯示的方案。

后臺部署

Flask 是一個 Web 應用程序框架，靈活，輕便，容易上手。本文簡單介紹如何利用 flask 啟動一個 web 服務，以及如何訪問和調用我們的功能接口。首先我們創建一個 conda 環境：

conda?create?-n?flask?python=3.6 source?activate?flask pip?install?flask

代碼中增加一個接口函數：

from?flask?import?Flask from?flask?import?request app?=?Flask()#?route把一個函數綁定到對應的?url?上 @app.route("/plugin",methods=['GET',]) def?send():data?=?request.args.get('data')#?模型預測邏輯out?=??model_infer(data)return?outif?__name__?==?'__main__':app.run(host='0.0.0.0',port=8080,?debug=False)

執行 run.py 代碼，后臺服務開啟運行：

客戶端請求：

url?=?http://ip:8080/plugin?data="輸入"

其中 model_infer 函數需要實現模型的 infer 前向計算邏輯，從請求中獲取 data 字段作為輸入，infer 預測的結果列表作為輸出返回給調用方。

經過上面的工作，我們已經提供了一個服務接口，返回我們代碼補全的預測結果。

插件編寫

最后一步就是如何在 IDE 上使用功能了。我們要開發 AS 的插件，需要使用 IntelliJ，首先需要在本機安裝配置 IntelliJ IDEA

下載地址:

https://www.jetbrains.com/idea/download/

社區版源碼:

https://github.com/JetBrains/intellij-community

好用的插件可以節省程序員很多時間，在插件實現時，我還添加了一個小的 git-blame 功能，實時查看指定行的 git 提交人，對于手 Q 這種多人合作的工作，比較實用。大家也可以通過 IntelliJ 自己開發一些常用功能。

gitBlame 的主要代碼：

public?class?GitBlame?extends?AnAction?{private?void?showPopupBalloon(final?Editor?editor,?final?String?result)?{ApplicationManager.getApplication().invokeLater(new?Runnable()?{public?void?run()?{JBPopupFactory?factory?=?JBPopupFactory.getInstance();factory.createHtmlTextBalloonBuilder(result,?null,?new?JBColor(new?Color(186,?238,?186),?new?Color(73,?117,?73)),?null).setFadeoutTime(5000).createBalloon().show(factory.guessBestPopupLocation(editor),?Balloon.Position.below);}});}@Overridepublic?void?actionPerformed(AnActionEvent?e)?{//?TODO:?insert?action?logic?here//獲得當前本地代碼根目錄String?base_path?=?e.getProject().getBasePath();String?file_path?=?e.getProject().getProjectFilePath();//獲取編輯mEditorfinal?Editor?mEditor?=?e.getData(PlatformDataKeys.EDITOR);if?(null?==?mEditor)?{return;}SelectionModel?model?=?mEditor.getSelectionModel();final?String?selectedText?=?model.getSelectedText();if?(TextUtils.isEmpty(selectedText))?{return;}//獲取當前編輯文檔的目錄PsiFile?mPsifile?=?e.getData(PlatformDataKeys.PSI_FILE);VirtualFile?file?=?mPsifile.getContainingFile().getOriginalFile().getVirtualFile();if?(file?!=?null?&&?file.isInLocalFileSystem())?{file_path?=?file.getCanonicalPath();}//gitkit工具JGitUtil?gitKit?=?new?JGitUtil();String?filename?=?file_path.replace(base_path+"/","");//得到blame信息int?line_index?=?mEditor.getSelectionModel().getSelectionStartPosition().getLine();String?blame_log?=?gitKit.git_blame(base_path,filename,line_index);//展示if?(!blame_log.isEmpty()){showPopupBalloon(mEditor,?blame_log);}} }

本文的代碼補全插件主要代碼邏輯為調用上一步后臺部署的請求。

//?請求url格式（和flask接口一致） String?baseUrl?=?"http://ip:8080/plugin?data="; //?獲取當前編輯位置文本 PsiFile?str?=?position.getContainingFile(); //?根據模型上文限制獲取代碼端 String?data?=?getContentCode(); String?url?=?baseUrl+data; //?發送請求 String?result?=?HttpUtils.doGet(url); //?后處理邏輯，在提示框顯示預測結果 show()

最終呈現形式：

可以看出，模型的預計結果還是不錯的~

以上為代碼補全功能的實現和應用，算是 AI 自動寫代碼的一小步。

AI 能否自己寫代碼，達到疑犯追蹤里 TM 那種水平，我不敢說一定不可能，但以我目前的認知是實現不了，畢竟寫代碼的是程序員，給算法喂數據的是程序員，算法設計還是程序員，AI 連幫人類解 bug 的功能都還不出現！\

參考資料：

[1] https://arxiv.org/abs/1706.03762

[2] https://arxiv.org/abs/1810.04805

[3] https://github.com/openai/gpt-2

[4] https://arxiv.org/abs/1904.09751

超強干貨來襲 云風專訪：近40年碼齡，通宵達旦的技術人生

總結

以上是生活随笔為你收集整理的让代码自动补全的全套流程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。