鱼羊 发自 凹非寺
量子位 报告 | 公众号 QbitAI
一行一行地敲代码就像是徒手搬砖，聪明的程序猿们暗示：咱们要解放生产力！
例如像这般：
在设备学习的时代，AI智能补全代码早已不是梦想，各样IDE和插件都在奋斗帮忙程序猿减少击键次数，延长键盘寿命（雾。
有位来自斯里兰卡的程序猿亦加入了关爱键盘协会，他尝试用简单的深度学习模型来实现自动补全Python代码这个目的，效果意外的不错。该项目现已开源！
简单的模型亦强大
抱着实验的心理，在这个项目中，斯里兰卡小哥用到的只是一个简单的LSTM（Long Short-Term Memory）模型。
用来进行预测的算法是集束搜索（beam search)，这是一种启发式图搜索算法。在进行每一步深度扩展时，集束搜索仅保存有些质量较高的节点，减少空间消耗，加强时间效率。采用集束搜索算法最多能够实现10个字符的预测。
而投喂给模型的数据是标记化的Python代码，这些代码里的注释、字符串和空行事先清理掉了。
训练效果是这般的：
绿色的字母便是自动补全起始的位置，按下TAB键选取补全，高亮标注为灰色的部分便是AI弥补的代码。
小哥暗示，如此简单的模型下，运用深度学习来自动补全Python代码，仍能够减少30-50%的击键次数，真的是surprise！
在GitHub上，小哥供给了一个Python的解析器，而只要写一个其他语言的解析器，这个方法完全能够推广到其他语言上，实现Java自动补全，C自动补全等等。
运用办法
想要亲测一下效果？
没问题，只需五步，你就能够训练自己的自动补全模型。
1、安装进行设备学习的实验环境（lab，位置见文末）。
2、将数据复制到 ./data/source。
3、运行 extract_code.py 来收集所有的python文件，编码并将其合并到 all.py。
4、运行 evaluate.py 对模型进行评定。
5、运行 train.py 训练模型。
仍需成长
办法简单，效果还挺好，听上去这个项目特别有潜能啊。不外理想很饱满，现实还是有点骨感的。这个新生的AI还是面临着许多成长挑战的。
挑战一：效率太低
首要是它的性能尚未能满足实质运用的必须。因为编辑集成器的限制，集束搜索算法效率低下，有等它补全代码的时间，手动都能够敲好几行代码了。
对此斯里兰卡小哥暗示，下一步她们会尝试用区别的架构来加强推理性能，亦欢迎大众向她们分享想法和意见。
挑战二：先辈强大
Reddit网友们还指出，用设备学习来补全代码这个想法早已有比较成功的实现方法，例如得到了Trith Ventures投资的Kite。
全世界有超过3万名Python研发人员运用Kite，它被誉为当前最好用的Python自动补全工具。不仅能补全代码，Kite还能帮你跳过文档认识到别人是怎样实时运用函数的，同期，它亦能供给你的自定义代码库里的定义和用法。
连Python之父都忍不住为Kite点赞：这可真够酷的。
比起Kite这位先辈，小哥的这个项目还是非常稚嫩的，不外Kite并无开源，其做为弥补运用的云引擎亦导致了相关安全性的质疑，有网友暗示：
要是在工作上用了Kite，贵机构的法务分部怕不是要疯。
另外，还有网友好奇AI跟Pycharm比起来又怎样？毕竟Pycharm的自动补全就已然挺好用了。
传送门
Github：https://github.com/vpj/python_autocomplete
Lab：https://github.com/vpj/lab
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的朋友加入咱们！关联细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վᴗ ի 跟踪AI技术和制品新动态
发表于 2024-8-17 17:06:18