Plum Wine Blog

　　鱼羊 发自 凹非寺 
　　量子位 报道 公众号 QbitAI

　　一行一行地敲代码就像是徒手搬砖，聪明的程序猿们表示：我们要解放生产力！

　　比如像这样：

　　在机器学习的时代，AI 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（雾。

　　有位来自斯里兰卡的程序猿也加入了关爱键盘协会，他尝试用简单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！

　　简单的模型也强大

　　抱着实验的心态，在这个项目中，斯里兰卡小哥用到的只是一个简单的 LSTM（Long Short-Term Memory）模型。

　　用来进行预测的算法是集束搜索（beam search)，这是一种启发式图搜索算法。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，减少空间消耗，提高时间效率。采用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。

　　训练效果是这样的：

　　绿色的字母就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就是 AI 补充的代码。

　　小哥表示，如此简单的模型下，使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，小哥提供了一个 Python 的解析器，而只要写一个其他语言的解析器，这个方案完全可以推广到其他语言上，实现 Java 自动补全，C自动补全等等。

　　使用方法

　　想要亲测一下效果？

　　没问题，只需五步，你就可以训练自己的自动补全模型。

1. 安装进行机器学习的实验环境（lab，地址见文末）。
2. 将数据复制到 ./data/source。
3. 运行 extract_code.py 来收集所有的 python 文件，编码并将其合并到 all.py。
4. 运行 evaluate.py 对模型进行评估。
5. 运行 train.py 训练模型。

　　仍需成长

　　方法简单，效果还挺好，听上去这个项目很有潜力啊。不过理想很丰满，现实还是有点骨感的。这个新生的 AI 还是面临着许多成长挑战的。

　　挑战一：效率太低

　　首先是它的性能尚未能满足实际使用的需要。由于编辑集成器的限制，集束搜索算法效率低下，有等它补全代码的时间，手动都可以敲好几行代码了。

　　对此斯里兰卡小哥表示，下一步他们会尝试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。

　　挑战二：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，比如获得了 Trith Ventures 投资的Kite。

　　全球有超过 3 万名 Python 开发人员使用 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 还能帮你跳过文档了解到别人是如何实时使用函数的，同时，它也能提供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，其作为补充使用的云引擎也引起了有关安全性的质疑，有网友表示：

要是在工作上用了 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。

　　传送门

　　Github：https://github.com/vpj/python_autocomplete

　　Lab：https://github.com/vpj/lab

来自:
量子位（ID:QbitAI）