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

若何实现让人工智能帮你写Python代码其实只需5步任你调教

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。