讓代碼自動補全的全套流程
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 out
- if __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);
- }
- });
- }
- @Override
- public 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mEditor
- final 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
