0
近日，微軟、哈工大在arxiv上聯(lián)合發(fā)表了一篇論文，標(biāo)題為《CodeBERT: A Pre-Trained Model for Programming and Natural Languages》，再次拓寬了BERT的應(yīng)用，將BERT應(yīng)用到了Python、PHP、Java、JavaScript、Go、Ruby等編程語言的代碼搜索和生成任務(wù)當(dāng)中。
論文鏈接：https://arxiv.org/pdf/2002.08155.pdf
這篇論文提出了一個被稱為「CodeBERT」的雙模預(yù)訓(xùn)練模型，據(jù)作者介紹，這也是目前已知的第一個大型 NL-PL（自然語言-編程語言）預(yù)訓(xùn)練模型。
該預(yù)訓(xùn)練模型能夠處理NL-PL 的普遍問題，例如用自然語言搜索代碼、自動生成代碼等。 所謂自然語言代碼搜索，所要解決的問題是，如何通過自然語言query查找到所需的代碼塊，這和我們常用的搜索引擎（通過自然語言query來查找所需網(wǎng)頁）類似。
事實上，微軟Bing在2018年便上線了類似的功能，在搜索框中輸入自然語言 “convert case using a function of R”，便會返回一段 R 代碼。
（雷鋒網(wǎng)）
針對自然語言代碼搜索，在這篇論文里，作者在 CodeSearchNet語料庫上對CodeBERT進(jìn)行了預(yù)訓(xùn)練并做微調(diào)，這是一個包含了 6 種較為普遍的代碼語言（分別為Ruby、JavaScript、Go、Python、Java、PHP）的語料庫。如下圖所示，他們在自然語言代碼搜索任務(wù)中取得了SOTA的結(jié)果：
而另一方面，代碼文檔生成任務(wù)，是未來能夠極大節(jié)省程序員工作量的極具前景的一個研究方向。如下圖所示，
針對這個任務(wù)，CodeBERT也基本上都取得了SOTA結(jié)果，特別是相較于之前的ROBERTa模型，更是有顯著的提高。 值一提的是，CodeBERT有一大亮點，即盡管它只在Ruby、JavaScript、Go、Python、Java、PHP等代碼語言上進(jìn)行了預(yù)訓(xùn)練，但預(yù)訓(xùn)練的模型卻可以泛化到其他代碼語言任務(wù)上，例如C#語言。
BERT作為一種雙向Transformer的編碼器，其對預(yù)訓(xùn)練方法的創(chuàng)新深受業(yè)界和學(xué)術(shù)界的喜愛，雖然其他大規(guī)模的預(yù)訓(xùn)練模型例如ELMo、GPT等已經(jīng)能夠在各種NLP任務(wù)中提升SOTA。
但是上述提到的模型基本上都是面向自然語言處理，例如掩蔽語言建模、從未標(biāo)記文本學(xué)習(xí)上下文表示。 相比以往的Bert的應(yīng)用場景，作者另辟蹊徑，推出雙模態(tài)預(yù)訓(xùn)練模型，即兼顧NLP任務(wù)和Python、Java等編程語言。
具體來說，CodeBERT抓住了自然語言和編程語言之間的語義聯(lián)系，能夠支持自然語言代碼搜索等NL-PL理解任務(wù)以及一系列像代碼生成這樣的生成任務(wù)。
（雷鋒網(wǎng)）
一個NL-PL對，其中紅線框中的是NL文本，黑色框是PL文本。 為了利用Nl-PL對的雙模實例（bimodal instances）以及大量可用的單模代碼（unimodal codes），作者使用了混合目標(biāo)函數(shù)來訓(xùn)練CodeBERT，包括標(biāo)準(zhǔn)掩碼語言建模和可替換Token檢測。
在具體的訓(xùn)練過程，作者用了六種編程語言在多語言BERT的設(shè)置中訓(xùn)練模型。 我們首先來看下CodeBERT的模型框架。
在模型的整體架構(gòu)上，CodeBERT并未脫離BERT和Roberta的思想。和大多數(shù)工作類似，作者使用了多層雙向Transformer。更為具體一點，作者使用的模型架構(gòu)與Roberta-base完全相同，即都有12層，每層有12個自注意頭，每個頭的大小是64，隱藏尺寸為768，前饋層的內(nèi)部隱藏尺寸為3072。
模型參數(shù)的總數(shù)為125M。 在預(yù)訓(xùn)練階段，總共設(shè)計了兩部分輸入，一個是自然語言文本，另一個是編程語言的代碼。對于自然語言文本將其視為單詞序列，并拆分為WordPiece。對于編程代碼，將其看做Token序列。 CodeBERT的輸出也包括兩個部分：1、聚合序列表示；2、有標(biāo)記的上下文向量（contextual vector）。
數(shù)據(jù)集統(tǒng)計 訓(xùn)練CodeBERT所使用的數(shù)據(jù)集是Husain等人在2019年提供的最新數(shù)據(jù)集，里面包括 2.1M雙模數(shù)據(jù)和6.4M 單碼數(shù)據(jù)，其中雙模碼數(shù)據(jù)是指自然語言-代碼對的并行數(shù)據(jù)，單碼是指“未成對”的數(shù)據(jù)。 另外一些數(shù)據(jù)來自開源Nonfork GitHub倉庫。對這些數(shù)據(jù)的處理是采用了一些約束和規(guī)則進(jìn)行過濾。
（雷鋒網(wǎng)）
可替換Token檢測目標(biāo)圖解 在模型訓(xùn)練的設(shè)計上，其主要包括兩個目標(biāo)，其一是掩碼語言建模，其二是可替換Token檢測。在第二個目標(biāo)中，作者進(jìn)一步使用了大量的單模碼數(shù)據(jù)。
目標(biāo)一：掩碼語言建模。將NL-PL對作為輸入，隨機為NL和PL選擇位置進(jìn)行掩碼，然后用特殊的掩碼Token進(jìn)行替換。注意，掩碼語言建模的任務(wù)是預(yù)測出被掩碼的原始Token。
目標(biāo)二：替換Token檢測。在這部分有兩個數(shù)據(jù)生成器，分別是NL生成器和PL生成器，這兩個生成器都用于隨機掩碼位置集（randomly masked positions）生成合理的備選方案。
另外，還有一個學(xué)習(xí)生成器用來檢測一個詞是否為原詞，其背后原理是一個二進(jìn)制分類器，這里與GAN不同的是，如果生成器碰巧產(chǎn)生正確的Token，則該Token的標(biāo)簽是“real”而不是“fake”。
學(xué)習(xí)器的損失函數(shù) 經(jīng)過調(diào)整后，損失函數(shù)優(yōu)化如下：
模型訓(xùn)練的最后一步是模型微調(diào)，具體操作是在NL-PL任務(wù)中使用不同的CodeBERT設(shè)置。例如在自然語言代碼搜索中，會使用與預(yù)訓(xùn)練階段相同的輸入方式。而在代碼到文本的生成中，使用編碼器-解碼器框架，并使用CodeBERT初始化生成模型的編碼器。
作者做了四個實驗，分別是：1）將CodeBERT應(yīng)用到自然語言代碼搜索任務(wù)上，并與傳統(tǒng)方法進(jìn)行對比；2）進(jìn)行NL-PL Probing實驗，考察CodeBERT在預(yù)訓(xùn)練階段到底學(xué)習(xí)了什么知識；3）將CodeBERT應(yīng)用到生成任務(wù)當(dāng)中；4）考察CodeBERT預(yù)訓(xùn)練模型的泛化能力，發(fā)現(xiàn)效果非常之好。
1、自然語言代碼搜索
給定一段自然語言作為輸入，代碼搜索的目標(biāo)是從一組代碼中找到語義上最相關(guān)的代碼。為了進(jìn)行比較，作者選擇了Husain 等人在2019年發(fā)布的 CodeSearchNet 語料庫進(jìn)行訓(xùn)練。這個語料庫框架如下圖所示，共包含6中常見的編程語言（Python、JavaScript、Java、Ruby、PHP、Go）。 
在預(yù)訓(xùn)練階段，作者首先對每種語言的數(shù)據(jù)集進(jìn)行了訓(xùn)練。數(shù)據(jù)集分割如下：
在微調(diào)階段，設(shè)置學(xué)習(xí)率為1e-5，批量大小為64，最大序列長度為200，最大微調(diào)周期為8，并使用Adam來更新參數(shù)，并從開發(fā)集中選擇出表現(xiàn)最好的模型，并用于測試集上進(jìn)行評估。 結(jié)果如下表所示：
性能相比于之前的SOTA模型ROBERTa取得了顯著的提高。
2、NL-PL Probing
這部分實驗主要研究在不更改參數(shù)的的情況下，Code BERT能夠?qū)W習(xí)哪些類型的知識。目前學(xué)界還沒有針對NL-PLProbing的工作，所以在這部分實驗中，作者自行創(chuàng)建了數(shù)據(jù)集。 給定NL-PL對，NL-PL Probing的目標(biāo)是測試模型的正確預(yù)測能力。模型比較結(jié)果如下圖所示：
上表顯示了正確預(yù)測實例的數(shù)量與全部實例數(shù)量的比例?？梢钥闯?，在各個變成語言的預(yù)測上，CodeBERT基本都取得了最高的分?jǐn)?shù)。但由于不同編程語言的數(shù)據(jù)集非常不平衡，因此用累計的數(shù)據(jù)進(jìn)行比較更為恰當(dāng)，在PL和NL的probing中，CodeBERT的結(jié)果都要比RoBERTa高10~20個百分點。 也可以用一個具體的案例來對比下。下圖案例中分別掩蓋了NL和PL中的“min”：
上圖為RoBERTa和CodeBert的預(yù)測概率 從結(jié)果來看，CodeBERT在NL上的正確預(yù)測率為60.6%，而在PL上直接高達(dá)99.999%。
3、代碼文檔生成
這部分研究代碼到文檔的生成問題，并在六種編程語言中研究了生成任務(wù)在Code Search Net Corpus上的結(jié)果。 另外，為了證明CodeBERT在代碼到NL生成任務(wù)中的有效性，作者采用了各種預(yù)訓(xùn)練的模型作為編碼器，并保持了超參數(shù)的一致性。 實驗結(jié)果如下：
在編程語言上進(jìn)行預(yù)訓(xùn)練的模型的性能優(yōu)于ROBERTa
4、泛化能力
那么，在Python、JavaScript、Java、Ruby、PHP、Go這些語言上做的預(yù)訓(xùn)練模型能夠應(yīng)用到別的編程語言上嗎？ 作者拿著前面預(yù)訓(xùn)練出的CodeBERT模型在C#語言上做了測試。 作者選擇了Codenn數(shù)據(jù)集，這是一個包含Stack Overflow自動收集的66015對問題和答案的數(shù)據(jù)集，其規(guī)模相比 CodeSearchNet語料庫要小幾個數(shù)量級。為了可靠地評估模型，作者通過人工方式，為測試集中的代碼片段提供兩個附加 titles 來擴展測試集。 模型評估標(biāo)準(zhǔn)采用平滑的BLEU-4分?jǐn)?shù)，評估結(jié)果如下圖：
從這個結(jié)果可以看出，相較于RoBERTa，CodeBERT能夠更好地推廣到其他編程語言。不過值得注意的是，模型的效果略低于code2seq，作者認(rèn)為原因可能是code2seq使用其抽象語法樹AST中的組合路徑，而CodeBERT僅將原始代碼作為輸入。
雖然作者也按照一定的順序通過遍歷AST的樹結(jié)構(gòu)來訓(xùn)練CodeBert，但并不會帶來生成任務(wù)的改進(jìn)。這種結(jié)果意味著結(jié)合AST來改進(jìn)codebert是潛在方向。
如前面提到，微軟的 Bing 在2018年便已經(jīng)上線了代碼搜索功能，可以預(yù)期，基于預(yù)訓(xùn)練的代碼功能也將很快落實到 Bing 的產(chǎn)品當(dāng)中，從而提供能加優(yōu)質(zhì)的服務(wù)。同時我們也可以期待，該項工作能夠在近期開源，以讓更多研究人員快速跟進(jìn)這一工作。
我們用幾句話來總結(jié)這項工作的意義：
1、據(jù)作者表示，CodeBERT也是目前已知的首個大型的NL-PL（自然語言-編程語言）預(yù)訓(xùn)練模型；
2、本文提出了一個混合學(xué)習(xí)目標(biāo)，能夠支持使用雙模數(shù)據(jù)NL-PL，且能夠很容易地應(yīng)用到單模數(shù)據(jù)中（例如沒有自然語言文本的編程代碼）；
3、CodeBERT在自然語言代碼搜索和代碼文檔生成兩個任務(wù)中都達(dá)到了SOTA性能，此外作者在實驗中還建立了一個數(shù)據(jù)集來研究NL-PL預(yù)訓(xùn)練模型的探測能力，方便了以后跟進(jìn)的研究人員。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
