/ Модель

Характеристики

Контекст
514 токенов
Параметры
96,6 млн
Архитектура
roberta · dense
Опубликована
2 мар 2022

CodeBERTa-small-v1

Заполнение пропусковТекст → текст3 профессии

CodeBERTa-small-v1 — RoBERTa-подобная модель для предсказания пропущенных токенов в исходном коде на шести языках программирования.

27 648скачиваний за 30 дней93лайкавеса обновлены27 июн 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CodeBERTa-small-v1 — модель семейства RoBERTa, разработанная для работы с исходным кодом и обученная с нуля на корпусе CodeSearchNet из GitHub. Это плотный трансформер для masked language modeling: модель принимает последовательность токенов с замаскированными фрагментами и предсказывает пропущенные токены. В карточке описана небольшая версия с 6 слоями и 84 млн параметров; метаданные репозитория указывают 96,6 млн параметров и контекст до 514 токенов.

Модель подходит для восстановления пропущенных частей кода и изучения представлений кода в поддерживаемых языках: Go, Java, JavaScript, PHP, Python и Ruby. Byte-level BPE-токенизатор обучен на корпусе кода и, согласно карточке, кодирует его компактнее, чем токенизаторы GPT-2 и RoBERTa. Репозиторий содержит варианты весов для PyTorch, TensorFlow и Flax. Условия лицензии в предоставленных данных не описаны.

Сценарии применения

  • автодополнение пропущенных фрагментов исходного кода
  • восстановление замаскированных токенов в коде
  • получение представлений фрагментов кода для экспериментов
  • работа с кодом на Go, Java и JavaScript
  • работа с кодом на PHP, Python и Ruby

Ограничения

Модель обучена на коде и рассчитана на контекст до 514 токенов; качество для других языков программирования и длинных последовательностей не установлено. README сообщает о 84 млн параметров, тогда как метаданные указывают 96,6 млн.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CodeBERTa

CodeBERTa is a RoBERTa-like model trained on the CodeSearchNet dataset from GitHub.

Supported languages:

"go"
"java"
"javascript"
"php"
"python"
"ruby"

The tokenizer is a Byte-level BPE tokenizer trained on the corpus using Hugging Face tokenizers.

Because it is trained on a corpus of code (vs. natural language), it encodes the corpus efficiently (the sequences are between 33% to 50% shorter, compared to the same corpus tokenized by gpt2/roberta).

The (small) model is a 6-layer, 84M parameters, RoBERTa-like Transformer model – that’s the same number of layers & heads as DistilBERT – initialized from the default initialization settings and trained from scratch on the full corpus (~2M functions) for 5 epochs.

Tensorboard for this training ⤵️

tb

Quick start: masked language modeling prediction

PHP_CODE = """
public static <mask> set(string $key, $value) {
	if (!in_array($key, self::$allowedKeys)) {
		throw new \InvalidArgumentException('Invalid key given');
	}
	self::$storedValues[$key] = $value;
}
""".lstrip()

Does the model know how to complete simple PHP code?

from transformers import pipeline

fill_mask = pipeline(
    "fill-mask",
    model="huggingface/CodeBERTa-small-v1",
    tokenizer="huggingface/CodeBERTa-small-v1"
)

fill_mask(PHP_CODE)

## Top 5 predictions:
# 
' function' # prob 0.9999827146530151
'function'  # 
' void'     # 
' def'      # 
' final'    # 

Yes! That was easy 🎉 What about some Python (warning: this is going to be meta)

PYTHON_CODE = """
def pipeline(
    task: str,
    model: Optional = None,
    framework: Optional[<mask>] = None,
    **kwargs
) -> Pipeline:
	pass
""".lstrip()

Results:

'framework', 'Framework', ' framework', 'None', 'str'

This program can auto-complete itself! 😱

Just for fun, let's try to mask natural language (not code):

fill_mask("My name is <mask>.")

# {'sequence': '<s> My name is undefined.</s>', 'score': 0.2548016905784607, 'token': 3353}
# {'sequence': '<s> My name is required.</s>', 'score': 0.07290805131196976, 'token': 2371}
# {'sequence': '<s> My name is null.</s>', 'score': 0.06323737651109695, 'token': 469}
# {'sequence': '<s> My name is name.</s>', 'score': 0.021919190883636475, 'token': 652}
# {'sequence': '<s> My name is disabled.</s>', 'score': 0.019681859761476517, 'token': 7434}

This (kind of) works because code contains comments (which contain natural language).

Of course, the most frequent name for a Computer scientist must be undefined 🤓.

Downstream task: programming language identification

See the model card for huggingface/CodeBERTa-language-id 🤯.

CodeSearchNet citation

@article{husain_codesearchnet_2019,
	title = {{CodeSearchNet} {Challenge}: {Evaluating} the {State} of {Semantic} {Code} {Search}},
	shorttitle = {{CodeSearchNet} {Challenge}},
	url = {http://arxiv.org/abs/1909.09436},
	urldate = {2020-03-12},
	journal = {arXiv:1909.09436 [cs, stat]},
	author = {Husain, Hamel and Wu, Ho-Hsiang and Gazit, Tiferet and Allamanis, Miltiadis and Brockschmidt, Marc},
	month = sep,
	year = {2019},
	note = {arXiv: 1909.09436},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
e93b589

0 моделей