Фејсбук развива TransCoder за да преведува код од еден програмски јазик на друг

Инженерите на Facebook објавија транскомпајлер Транскодер, кој користи техники за машинско учење за да го трансформира изворниот код од еден програмски јазик на високо ниво на друг. Во моментов, обезбедена е поддршка за преведување на код помеѓу Java, C++ и Python. На пример, TransCoder ви овозможува да го конвертирате изворниот код на Java во код за Python, а кодот на Python во изворен код на Java. Развојот на проектот се спроведува во пракса теоретски истражувања на создавање невронска мрежа за ефикасна автоматска транскомпилација на код и ширење лиценцирана под лиценца Creative Commons Attribution-NonCommercial 4.0 само за некомерцијална употреба.

Имплементацијата на системот за машинско учење се заснова на Pytorch. Два готови модели се нудат за преземање: прво за преведување на C++ во Java, Java во C++ и Java во Python и Вториот за емитување
C++ во Python, Python во C++ и Python во Java. За да ги обучиме моделите, ги користевме изворните кодови на проекти објавени на GitHub. Доколку сакате, моделите за превод може да се креираат за други програмски јазици. За проверка на квалитетот на емитувањето, подготвена е збирка на тестови на единицата, како и тест пакет кој вклучува 852 паралелни функции.

Се тврди дека во однос на точноста на конверзијата, TransCoder е значително супериорен во однос на комерцијалните преведувачи кои користат методи засновани на правила за конверзија, а во процесот на работа ви овозможува да правите без стручна проценка на експерти на изворниот и целниот јазик. Повеќето од грешките што се појавуваат за време на работата на моделот може да се отстранат со додавање едноставни ограничувања на декодерот за да се осигура дека генерираните функции се синтаксички точни.

Истражувачите предложија нова архитектура на невронска мрежа „Трансформатор“ за моделирање на секвенци, во која повторувањето се заменува со „внимание„(модел seq2seq со внимание), кој ви овозможува да се ослободите од некои зависности во пресметковниот график и да го паралелизирате она што претходно не беше подложно на паралелизација. Сите поддржани јазици користат единствен заеднички модел, кој се тренира со користење на три принципи - иницијализација, моделирање на јазици и превод назад.

Извор: opennet.ru