在項目開發(fā)中，優(yōu)秀的代碼自動補全工具可以提升工作效率。然而，近來的 IDE 基本都使用搜索方法進行補全，在一些場景下效果不佳。

近日，有開源項目用深度學(xué)習(xí)模型進行代碼補全，顯示出非常有潛力的效果。

近日，Reddit 上的一篇帖子引起了網(wǎng)友的熱議。帖子作者「mlvpj」稱：

「我們使用深度學(xué)習(xí)完成了一個簡單的項目，可以自動進行 Python 代碼補全。」

根據(jù)介紹，該項目基于 LSTM 模型，訓(xùn)練后，負責(zé)對代碼的缺失部分進行補全。評價模型的方法是判斷節(jié)省了多少的按鍵信息——即模型給出長度為 L 的代碼建議，如果和真實的代碼匹配，則節(jié)省 L - 1 個鍵入操作。實驗結(jié)果說明，大約有 30%-50% 的鍵入成本可以節(jié)省下來。

作者在帖子中表示，他們接下來會嘗試不同的架構(gòu)，并提高推斷的表現(xiàn)。而現(xiàn)在的模型推斷很慢，不能實際使用。作者已在 GitHub 開源了項目代碼：

和 IDE 的自動補全有什么區(qū)別

該項目對 Python 代碼的自動補全與傳統(tǒng) IDE（如 PyCharm）等不同。IDE 補全基于檢索方法，需要從已有代碼中進行搜索。

以 PyCharm 中的基本補全（Basic Completion）方法為例?；狙a全可幫助補全可見區(qū)域的類、方法、關(guān)鍵詞代碼。使用時，PyCharm 會分析補全使用情況，并提供當(dāng)前位置可能的選擇。如果是對空間、參數(shù)或變量聲明進行補全，則 PyCharm 會基于類別提供一系列可能的命名。

當(dāng)出現(xiàn)已定義的類、函數(shù)、模塊和變量時，基本補全就會啟動。

此外，PyCharm 也提供智能補全等其他補全功能，但基本上都需要對已有文本進行搜索，根據(jù)位置和類型判斷補全的方法。這些方法都沒有配置機器學(xué)習(xí)模型。

Pycharm 的自動補全介紹：https://www.jetbrains.com/help/pycharm/auto-completing-code.html

深度學(xué)習(xí)怎樣腦補缺失 TF 代碼

最常用的 PyCharm 自動補全也能省很多功夫，但它需要 IDE 能檢索到你的代碼文件或庫，而且補全會提供多個可能的選項。但是在本項目實驗的工具中，LSTM 會根據(jù)上下文語義確定最可能調(diào)用的函數(shù)，因此它能節(jié)省更多的成本。作者表示如果使用束搜索，那么一次能預(yù)測 10 多個字符，不過這樣對于實際使用還是有點低效。

在訓(xùn)練深度補全模型前，我們需要先建立訓(xùn)練集。開發(fā)者會在清洗評論、標注和空行后，構(gòu)建比較干凈的 Python 代碼。然后，模型會在這些數(shù)據(jù)上進行訓(xùn)練與預(yù)測。在數(shù)據(jù)預(yù)處理上，開發(fā)者發(fā)現(xiàn)通過 tokenizing Python 代碼，模型效果比通過 BPE 編碼的字符級預(yù)測效果還要好。作者提供了一個簡單的預(yù)訓(xùn)練模型，它是在整個 TensorFlow 項目的 models 代碼中訓(xùn)練的。

下圖就是作者在驗證集中測試的驗證樣本。綠色的字符表示自動補全的起始位置，用戶需要按下 Tab 鍵選擇開始補全。綠色及后面高亮的灰色字符是自動補全的結(jié)果。

如上所示為驗證樣本中的自動補全效果。與代碼生成類似，粗略看起來，似乎效果非常不錯，但實際上會有很多不合理的地方。不過有意思的是，自動補全中所有字符串都只有一個占位操作，這也是非常合理的處理方法。

樣本中自動補全的起始和結(jié)束位置都是隨機的，也就是說代碼可能補全到「tensorfl」就結(jié)束了，并不會補全完整的標識符「tensorflow」。這在實際場景中用處非常有限，因此作者將生成結(jié)束位置限制為終止 token 而修復(fù)問題。目前自動補全能完成多種 operator，且當(dāng)我們增加束搜索的長度時，它完成的代碼長度會更多。

整個模型的主體都是 LSTM，它在 TensorFlow 模型代碼庫訓(xùn)練后能捕捉非常豐富的 TensorFlow API。如下所示為自動補全模型的主體代碼，基本上簡單的一個 LSTM 就能搞定：

網(wǎng)友評價

項目開源后，有些網(wǎng)友對作者提出了質(zhì)疑：

「我們已經(jīng)有很多很好用的自動補全工具了，比如 kite（一個可以在 IDE 上使用的插件），為什么還要費心搞個機器學(xué)習(xí)模型？」

在討論中，有人提出，一些無良的自動補全工具會悄悄上傳代碼到他們的服務(wù)器中，（而自行訓(xùn)練的深度學(xué)習(xí)模型不存在這個問題）。

也有人提出，其實不一定要用 LSTM 模型，隱馬爾科夫模型在處理序列數(shù)據(jù)上效果也很好。

此外，也有網(wǎng)友建議使用 CuDNN 加速 LSTM 的推斷過程。這樣能大大提升推斷速度，集成到 IDE 中也就有了可能。