比如像这样：
在机器学习的时期，人工智能补全代码早已不是梦想，各种IDE和插件都在努力帮助程序猿减少击键次数，延长键盘寿命。
有位来自斯里兰卡的程序猿也加入了关爱键盘协会，他考试测验用大略的深度学习模型来实现自动补全Python代码这个目标，效果意外的不错。该项目现已开源！
大略的模型也强大
抱其实验的心态，在这个项目中，斯里兰卡小哥用到的只是一个大略的LSTM（Long Short-Term Memory）模型。
用来进行预测的算法是集束搜索（beam search)，这是一种启示式图搜索算法。在进行每一步深度扩展时，集束搜索仅保留一些质量较高的节点，减少空间花费，提高韶光效率。采取集束搜索算法最多可以实现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。
演习效果是这样的：
绿色的字母便是自动补全开始的位置，按下TAB键选择补全，高亮标注为灰色的部分便是AI补充的代码。
小哥表示，如此大略的模型下，利用深度学习来自动补全Python代码，仍可以减少30-50%的击键次数，真的是surprise！
在GitHub上，小哥供应了一个Python的解析器，而只要写一个其他措辞的解析器，这个方案完备可以推广到其他措辞上，实现Java自动补全，C自动补全等等。
利用方法只需五步，你就可以演习自己的自动补全模型。
安装进行机器学习的实验环境（lab，地址见文末）。将数据复制到 ./data/source。运行 extract_code.py 来网络所有的python文件，编码并将其合并到 all.py。运行 evaluate.py 对模型进行评估。运行 train.py 演习模型。仍需发展
方法大略，效果还挺好，听上去这个项目很有潜力啊。不过空想很丰满，现实还是有点骨感的。这个新生的AI还是面临着许多发展寻衅的。
寻衅一：效率太低
首先是它的性能尚未能知足实际利用的须要。由于编辑集成器的限定，集束搜索算法效率低下，有等它补全代码的韶光，手动都可以敲好几行代码了。
对此斯里兰卡小哥表示，下一步他们会考试测验用不同的架构来提高推理性能，也欢迎大家向他们分享想法和建议。
寻衅二：前辈强大
Reddit网友们还指出，用机器学习来补全代码这个想法早已有比较成功的实现方案，比如得到了Trith Ventures投资的Kite。
环球有超过3万名Python开拓职员利用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还能帮你跳过文档理解到别人是如何实时利用函数的，同时，它也能供应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这位前辈，小哥的这个项目还是非常稚嫩的，不过Kite并没有开源，其作为补充利用的云引擎也引起了有关安全性的质疑，有网友表示：
假如在事情上用了Kite，贵公司的法务部门怕不是要疯。
此外，还有网友好奇AI跟Pycharm比起来又如何？毕竟Pycharm的自动补全就已经挺好用了。
总结
想实现人工智能帮你写Python代码，实在只需5步，任你调教
须要这套教程资源和程序源码，请私信小编 “ 学习 ”，即可免费获取。