【自然语言处理】【大模型】CodeGeeX：用于代码生成的多语言预训练模型

论文地址：https://arxiv.org/pdf/2303.17568.pdf

一、简介

​ 代码生成的目标是：给定人类意图的描述(例如：“写一个阶乘函数”)，系统自动生成可执行程序。这个任务由来已久，解决的方案也层出不穷。近期，通过将程序看作是语言序列，利用深度学习的transformer架构进行建模，显著的改善了代码生成的质量。特别是当大规模的开源代码数据与大语言模型相结合。

​ OpenAI的12B模型CodeX证明了在数十亿行公开代码上预训练的大模型的潜力。通过使用生成式预训练的方式，CodeX能够很好地解决python中的入门级编程问题。研究显示，GitHub Copilot 88%的用户都表示编程效率提高了。随后，大量的代码大语言模型被开发出来，包括：DeepMind的AlphaCode、Salesforce的CodeGen、Meta的InCoder和Google的PaLM-Coder-540B。

​ 本文提出了13B参数量的多语言代码生成模型CodeGeeX，其是在23种编程语言上预训练的。该模型在具有1536个Ascend 910 AI处理器的集群上训练了2个月，共计训练了8500亿个tokens。CodeGeeX有以下的一些特性：(1) CodeGeeX不同于CodeX，其模型本身以及训练代码都是开源的，有助于理解和改进预训练代码模型。CodeGeeX也支持在Ascend和NVIDIA GPUs等不同平台上推理。(2) 除了代码生成和代码补全，CodeGeeX也支持代码解释和代码翻译。(3) 与知名的代码生成模型相比(CodeGen-16B、GPT-NeoX-20B、InCode-6.7B和GPT-J-6B)，CodeGeeX的表现一致优于其他模型。

​ 本文还开发了HumanEval-X基准来评估多语言代码模型，因为：(1) HumanEval和其他基准仅包含单个语言的编程问题；(2) 现有的多语言数据集使用BLEU这样的字符串相似度指标进行评估，而不是验证生成代码的正确性。具体来说，对于HumanEval中每个Python问题，都人工用C++、Java、JavaScript、GO来重写其prompt、标准解决方案和测试用例。总的来说，在HumanEval-X中包含了820个手写的"问题-解决方案对"。此外，HumanEval-X同时支持代码生成和代码翻译的评估。

二、CodeGeeX模型

1.模型架构

​ Transformer Backbone。CodeGeeX使用纯解码器的GPT架构，并使用自回归语言建模。CodeGeeX的核心架构是39层的transformer解码器。在每个transformer层，包含：多头自注意力机制、MLP层、layer normalization和残差连接。使用类GELU的FaastGELU激活，其在Ascend 910 AI处理器上更加高效。
FastGELU ( X i ) = X i 1 + exp ⁡ ( − 1.702 × ∣ X i ∣ ) × exp ⁡ ( 0.851 × ( X i − ∣ X i ∣ ) ) (1) \text{FastGELU}(X_i)=\frac{X_i}{1+\exp(-1.702\times|X_i|)\times\exp(0.851\times(X_i-|X_i|))} \tag{1} FastGELU(Xi​)=1+exp(−1.702×∣Xi​∣)×exp(0.851×(Xi​−∣Xi​∣))Xi​​(1)
​ 生成式预训练目标。采用GPT的范式，在大规模无监督代码数据上训练模型。总的来说，就是迭代地将代码token作为输入，预测下一个token并与真实的token进行比较。具体来说，对于长度为 n n n的任意输入序列 { x 1 , x 2 , … , x n } \{x_1,x_2,\dots,x_n\} {x1​,x2​,…,xn​}，CodeGeeX的输出都是下一个token的概率分布
P ( x n + 1 ∣ x 1 , x 2 , … , x n , Θ ) = p n + 1 ∈ [ 0 , 1 ] 1 × v (2) \mathbb{P}(x_{n+1}|x_1,x_2,\dots,x_n,\Theta)=p_{n+1}\in[0,1]^{1\times v} \tag{2} P(xn+1​∣x1​,x2​,…,xn​,Θ)=pn+1​∈[0,1]1×v(2)
其中， Θ \Theta Θ表示所有参数， v v v是词表大小。通过将预测token与真实分布进行比较，可以优化交叉熵损失函数：
L = − ∑ n = 1 N − 1 y n + 1 log ⁡ P ( x n + 1 ∣ x 1 , ) (3) \mathcal{L}=-\sum_{n=1}^{N-1}y_{n+1}\log \mathbb{P}(x_{n+1}|x_1,) \tag{3} L=−n=1∑N−1​yn+1​logP(xn+1​∣x1​,)(3)
​ Top Query层和解码。原始的GPT使用pooler函数来获得最终的输出。我们在所有transformer层上添加一个额外的查询层(华为"盘古"也使用了这种层)来获得最终的embedding。如上图所示，top query层的输入被替换为位置 n + 1 n+1 n+1的query embedding。最终的输出乘以词嵌入矩阵的转置来获得输出概率分布。对于解决策略，CodeGeeX支持贪心、温度采样、top-k采样、top-p采样和beam search。

2. 预训练设置

​ 代码语料。训练语料包含两个部分。第一部分是开源代码数据集：Pile和CodeParrot。第二部分是直接从GitHub爬取的Python、Java和C++代码，用于补充第一部分。选择的代码仓库至少有一个star且小于10MB，然后过滤文件：(1) 每行超过100个字符；(2) 自动生成的；(3) 字母比例小于40%的；(4) 大于100KB或者小于1KB的。上图展示了训练数据中23种编程语言的占比。训练数据会被划分为等长的片段。为了帮助模型区分多种语言，在每个片段前添加了语言相关的标签，例如：language: Python。

​ Tokenization。考虑到代码数据中有大量的自然语言注释且变量、函数、类别的命名通常也是有意义的单词，因此将代码数据也做文本数据并使用GPT-2 tokenizer。初始词表尺寸为50000，并将多个空格编码为额外的tokens来增加编码效率。具体来说，L个空白符被表示为<|extratoken_X|>，其中X=8+L。由于词表包含各种语言的tokens，这允许CodeGeeX处理各种语言的token，例如中文、法语等。最终的词表尺寸为 v = 52224 v=52224 v=52224。

​ 词嵌入和位置嵌入。词嵌入矩阵表示为 W w o r d ∈ R v × h W_{word}\in\mathbb{R}^{v\times h} Wword​∈Rv×h，位置嵌入矩阵表示为 W p o s ∈ R n m a x × h W_{pos}\in\mathbb{R}^{n_{max}\times h} Wpos​∈Rnmax​×h，其中 h = 5120 h=5120 h=5120和 n m a x = 2048 n_{max}=2048 nmax​=2048。每个token都对应一个可学习的词嵌入 x w o r d ∈ R h x_{word}\in\mathbb{R}^h xword​∈Rh以及一个可学习的位置嵌入 x p o s ∈ R h x_{pos}\in\mathbb{R}^{h} xpos​∈Rh。两个嵌入相加得到输入的嵌入向量 x i n = x w o r d + x p o s x_{in}=x_{word}+x_{pos} xin​=xword​+xpos​。最终，整个序列被转换为嵌入矩阵 X i n ∈ R n × h X_{in}\in\mathbb{R}^{n\times h} Xin​∈Rn×h， n n n是序列长度。

3. CodeGeeX训练

​ Ascend 910并行训练。CodeGeeX在Ascend 910 AI处理器(32GB)的集群上使用Mindspore进行训练。训练在192个节点的1526个AI处理器上进行了2个月。共计消耗了850B的tokens，约为5个epochs(213000steps)。为了提高训练效率，采用8路模型并行和192路数据并行，并使用ZeRO-2优化器来进一步降低显存消耗。最终，每个节点上的micro-batch size为16，全局batch size为3072。

​ 具体来说，使用Adam优化器来优化loss。模型权重采用FP16的格式，为了更高的精度和稳定性layer-norm和softmax使用FP32。模型占用GPU显存为27GB。初始学习率为1e-4，并应用cosine学习率调度：
l r c u r r e n t = l r m i n + 0.5 ∗ ( l r m a x − l r m i n ) ∗ ( 1 + cos ⁡ ( n c u r r e n t n d e c a y π ) ) (4) lr_{current}=lr_{min}+0.5*(lr_{max}-lr_{min})*(1+\cos(\frac{n_{current}}{n_{decay}}\pi)) \tag{4} lrcurrent​=lrmin​+0.5∗(lrmax​−lrmin​)∗(1+cos(ndecay​ncurrent​​π))(4)
​ 下表示详细的训练参数。

​ 训练效率优化。为了优化Mindspore框架来释放Ascend 910的潜力。采用了两项技术来显著改善训练效率：(1) 核融合(Kernel fusion)；(2) Auto Tune optimization。下表是优化前和优化后的对比。

4. 快速推理

​ 量化。应用post-training量化技术来降低CodeGeeX推理时的显存消耗。使用absolute maximum量化将所有线性层的权重 W W W从FP16转换为INT8：
W q = Round ( W λ ) , λ = Max ( ∣ W ∣ ) 2 b − 1 − 1 (5) W_q=\text{Round}(\frac{W}{\lambda}),\lambda=\frac{\text{Max}(|W|)}{2^{b-1}-1} \tag{5} Wq​=Round(λW​),λ=2b−1−1Max(∣W∣)​(5)
其中 b b b是比特宽度， b = 8 b=8 b=8。 λ \lambda λ是缩放因子。

​ 加速。经过8bit量化后，使用NVIDIA的FasterTransformer实现了更快版本的CodeGeeX。

三、HumanEval-X基准

​ HumanEval基准类似于MBPP和APPS，仅包含手写的Python编程问题，并不能直接应用于多语言代码生成的系统性评估。因此，本文开发了一个HumanEval的多语言变体，HumanEval-X。HumanEval中的每个问题都是用Python定义的，我们用C++、Java、JavaScript和Go重写了prompt、标准解决方案和测试用例。在HumanEval-X中共有820个"问题-解决方案对"。

​ 任务。HumanEval-X会评估2个任务：代码生成和代码翻译。代码生成任务将函数声明和文本描述作为输入，并生成函数的实现代码。代码翻译任务将源语言实现的解决方案作为输入，并生成目标语言的对应实现。

​ 度量(Metric)。使用测试用例来评估生成代码的正确性并衡量其pass@k。具体来说，使用无偏方法来估计pass@k：
pass@k : = E [ 1 − ( n − c k ) ( n k ) ] , n = 200 , k ∈ { 1 , 10 , 100 } (6) \text{pass@k}:=\mathbb{E}[1-\frac{\left(\begin{array}{l}n-c \\ k\end{array}\right)}{\left(\begin{array}{l}n \\ k\end{array}\right)}],\quad n=200,k\in\{1,10,100\} \tag{6} pass@k:=E[1−(nk​)(n−ck​)​],n=200,k∈{1,10,100}(6)
其中 n n n是生成的总数(200)，k是采样数量， c c c是通过所有测试用例的样本数量。

四、CodeGeeX评估

• 多语言代码生成

• 多语言代码翻译

​