LLM 系列 | 21 : Code Llama实战(上篇) : 模型简介与评测

引言

小伙伴们好，我是《小窗幽记机器学习》的小编：卖热干面的小女孩。

个人CSDN首页：JasonLiu1919_面向对象的程序设计,深度学习,C++-CSDN博客

今天开始以2篇小作文介绍代码大语言模型Code Llama。上篇主要介绍Code Llama的基本情况并基于HuggingFace上部署的Demo快速体验下Code Llama的实战效果，下篇则主要介绍如何在本地部署Code Llama。感兴趣的小伙伴可以关注下！

模型简介

Code Llama是基于Llama 2面向编程领域的大型代码语言模型(即代码大模型)，基于该工具可以使用文本提示(Prompt)直接生成或者理解代码。Code Llama具备包括代码补全能力，最长可以生成 100k 个token。此外，Code Llama还具备编程任务的零样本指令遵循能力，即面向自然语言的指令编程。官方宣称Code Llama在公开的编程任务中效果最好，能够使开发人员的工作流程更快速、更高效，并降低编程的学习门槛。Code Llama 在用作生产力和教育工具方面潜力巨大，能够帮助程序员编写更加健壮、有良好文档的软件。

目前(2023年9月12日)代码语言模型的leaderboard结果如下：

Code Llama 是 Llama 2 的代码专用版本，在特定代码数据集上进一步训练 Llama 2 并从同一数据集中采样更多数据，进行更长时间训练。相对于Llama 2，Code Llama的编码能力得到提升，可以根据代码和自然语言提示(例如：“编写一个输出斐波那契数列的函数”)生成代码，也可以进行代码解读。Code Llama还可以用于代码补全和调试。Code Llama支持当下流行的多种编程语言，包括Python、C++、Java、PHP、TypeScript（JavaScript）、C#、Bash等。

此次官方发布了三种参数规模的 Code Llama，分别为 7B、13B 和 34B。这些模型都基于 500B 个tokens的 代码和与代码相关的数据进行训练。7B 和 13B 的Code Llama模型和Code Llama instruct模型还引入with fill-in-the-middle(填充中间，FIM)的训练方式，使其能够将代码插入到现有代码中，这意味着可以直接支持诸如代码填充之类的任务。

这三种模型适用于不同延迟要求和服务场景。比如，7B 模型可以部署在单个GPU上，34B 模型返回结果最佳，可以提供更好地辅助编码，但更小的 7B 和 13B 模型速度更快，更适用于需要低延迟的任务，如实时代码补全。

官方还进一步微调了 Code Llama 的两个变体：Code Llama - Python 和 Code Llama - Instruct。

• 「Code Llama - Python」 是针对特定语言Python的Code Llama，在 100B个token Python 代码上进行进一步微调。Python是代码生成中最常用的benchmarked语言，且Python和PyTorch在AI社区中扮演着重要角色。Code Llama-Python这个专门的模型可以提供额外的效用。

• 「Code Llama - Instruct」 是一种经过指令微调和对齐的Code Llama变体。指令微调其实是继续训练，只是目标函数不同。模型会接收自然语言指令作为输入，再输出符合要求的输出。Instruct的方式使得模型在理解人类自然语言形式提示的时候表现更好。在代码生成场景可以优先使用 Code Llama - Instruct。

「Code Llama、Code Llama - Python、Code Llama - Instruct」这三类模型之间的关系如下：

与 Llama 2 一样，官方对模型的微调版本应用了相当大的安全缓解措施。有关模型训练、架构和参数、评估、AI安全性等详细信息，可以参阅研究论文。Meta官方宣称，对AI采取开放的方式，是发展创新、安全和负责任的新AI工具的最佳方式，因此他们将 Code Llama 以相同的社区许可证（与 Llama 2 相同）发布，供研究和商业用途使用。

以下通过 huggingface 上发布的Demo实测Code Llama在代码任务上的效果。

先直接剧透下结论：

Code Llama实测(13B版)：代码补全

为了快速亲测效果，使用官方基于CodeLlama-13b-hf发布的Demo。需要注意的是，这里使用的模型不是Chat版，所以只能用于代码补齐，不能对话方式生成代码。

测试1：判断是否有中文字符

输入：

# define a function, Check whether Chinese characters exist
def check_cn_char(test_str):

输出：

# define a function, Check whether Chinese characters exist
def check_cn_char(test_str):
    for c in test_str:
        if u'\u4e00' <= c <= u'\u9fff':
            return True
    return False
 
# define a function, Check whether English characters exist
def check_en_char(test_str):
    for c in test_str:
        if 'a' <= c <= 'z' or 'A' <= c <= 'Z':
            return True
    return False
 
# define a function, Check whether numbers exist
def check_num(test_str):
    for c in test_str:
        if '0' <= c <= '9':
            return True
    return False
 
# define a function, Check whether special characters exist
def check_special_char(test_str):
    for c in test_str:
        if not (u'\u4e00' <= c <= u'\u9fff') and not ('a' <= c <= 'z' or 'A' <= c <= 'Z') and not ('0' <= c <= '9'):
            return True
    return False
 
# define a function, Check whether the password

测试check_cn_char函数，能够正常运行，且结果符合预期。

测试2：pandas指定列增加行数据

输入：

# define a function, append pandas column with input test_list
def df_append_rows(test_df,target_column, append_list)

输出结果如下：

# define a function, append pandas column with input test_list
def df_append_rows(test_df,target_column, append_list) :
    for i in range(len(append_list)) :
        test_df[target_column] = test_df[target_column].append(append_list[i])
    return test_df
 
# define a function, append pandas column with input test_list
def df_append_rows_with_index(test_df,target_column, append_list) :
    for i in range(len(append_list)) :
        test_df[target_column] = test_df[target_column].append(append_list[i], ignore_index=True)
    return test_df
 
# define a function, append pandas column with input test_list
def df_append_rows_with_index_and_columns(test_df,target_column, append_list) :
    for i in range(len(append_list)) :
        test_df[target_column] = test_df[target_column].append(append_list[i], ignore_index=True, sort=False)
    return test_df
 
# define a function, append pandas column with input test_

直接测试df_append_rows函数，报错：

TypeError: cannot concatenate object of type 'str'>'; only Series and DataFrame objs are valid

Code Llama实测(13B版)：代码填充

由于代码填充功能仅局限于Code Llama和 Code Llama - Instruct的7B 和 13B 版模型中，本文选用Code Llama-13B进行实测，Demo地址进行体验。

输入：

def remove_non_ascii(s: str) -> str:
    """ 
    return result

输出结果：

def remove_non_ascii(s: str) -> str:
    """ Remove non-ASCII characters from a string.
    Args:
        s (str): The string to be processed.
    Returns:
        str: The processed string.
    """
    result = ""
    for c in s:
        if ord(c) < 128:
            result += c
    return result

Code Llama实测(13B版)：指令编程

使用官方基于CodeLlama-13b-Instruct-hf发布的Demo进行体验。

输入：

I have a pandas DataFrame df['text'], how can I directly add a list of data test_list to df['text'] to increase the number of rows?

输出：

上述代码测试，报错：

TypeError: cannot concatenate object of type 'list'>'; only Series and DataFrame objs are valid

可以看出，Code Llama对于pandas部分函数的理解有待提高。

Code Llama实测(34B版)：指令编程

在 huggingface 上选择codellama/CodeLlama-34b-Instruct-hf：

输出结果：

生成的代码能够运行，但是结果不符合预期：

import pandas as pd
 
# create a sample dataframe with one column 'text'
df = pd.DataFrame({'text': ['hello', 'world']})
 
# create a list of new text values to be appended
new_values = ['goodbye', 'cruel world']
 
# append the new values to the 'text' column
df['text'].append(pd.Series(new_values))
 
print(df)

需要人工修正下：

# 以下是人工修改的结果，才可以得到符合预期的结果
tmp_df = df['text'].append(pd.Series(new_values))  # 人工修改
print(tmp_df)

总结

本文简要介绍Code Llama模型概况，同时通过huggingface上的Demo快速实测Code Llama的效果。撇开官方提供的case之后，亲测的几个case，虽然存在一些瑕疵，但整体效果也算还不错，期待后续的优化。

目前很多程序员已经在各种任务中使用LLM来协助开发。这确实使开发者的工作更高效，以便开发者可以专注于最具人本特色的方面，而不是重复性的任务。AI模型，特别是用于编码用途的LLM，从开放式的方法中受益最大。无论是在创新还是在安全性方面，公开可用的代码专用模型可以促进新技术的发展，从而改善人们的生活。未来可期!