输入任务要求之后，先经过概要生成器，生成满足任务要求概率比较高的代码概要，即可能满足任务要求的初始代码，细节并不丰富。然后，代码概要进入代码合成器模块，找到满足任务要求的模块。

概要生成器，是一个带有注意力机制的seq2seq循环神经网络（RNN），在给定任务之后，通过LSTM编码器对其进行编码，然后再逐token解码。

代码合成器，有两个组成部分：广度优先概率枚举器和神经网络识别器。前者根据可能性从大到小枚举代码sketch， 后者根据任务要求来指导这一过程。

具体效果怎么样？

为了验证模型的性能，研究团队选择了两个模型与其进行对比。

分别是只有合成器的模型（Synthesizer only）和只有生成器的模型（Generator only）。

只有合成器的模型，相当于研究中代码合成器模块，进行模式识别之后，从头开始枚举所有可能的编码。与微软研究院研究团队2016年提出的“Deepcoder”模型媲美。

只有生成器的模型，相当于研究中概要生成器模块，用来预测完整的代码。与微软研究院和MIT团队在2017年提出的“RobustFill”模型媲美。

进行对比的任务是数组列表、字符串转换和自然语言要求。

在数组列表任务中，与其他两项研究相比，研究中的模型可以在简单的程序中呈现很好的性能。正展现模型能力的，是在AlgoLisp数据集中进行的测试，这一数据集中，不仅有数组列表和字符串相关的输入输出示例，还有相应的自然语言描述。

在这个数据集上，研究者检验了模型在非结构化数据情况下的性能。

测试结果表明，模型的表现完全超过了先前学者的研

（编辑：唐山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!