README.md

---
license: mit
---
# 模型训练过程汇总（持续更新中）

对于已收集的每一个模型，`code` 目录为模型定义、训练和测试的代码和脚本文件，`model` 目录为已收集的 epoch 模型文件，`dataset.zip` 为模型数据集。

下表汇总了所有收集的模型训练过程信息：

<table>
  <tr>
    <th>模型名称</th>
    <th>模型简介</th>
    <th>模型类型</th>
    <th>Epoch数量</th>
    <th>数据集信息</th>
  </tr>
  <tr>
    <td>Clone-detection-BigCloneBench</td>
    <td>基于大规模代码克隆基准数据集的代码克隆检测模型，任务是进行二元分类(0/1),其中1代表语义等价，0代表其他情况。</td>
    <td>代码克隆检测</td>
    <td>2个epoch</td>
    <td>BigCloneBench数据集</td>
  </tr>
  <tr>
    <td>Clone-detection-POJ-104</td>
    <td>基于POJ-104数据集的代码克隆检测模型，任务是识别不同编程题目中相似的代码实现，给定一段代码和一组候选代码，任务是返回具有相同语义的Top K个代码</td>
    <td>代码克隆检测</td>
    <td>2个epoch (0-1)</td>
    <td>POJ-104编程题目数据集</td>
  </tr>
  <tr>
    <td>CodeCompletion-token</td>
    <td>基于token级别的代码自动补全模型</td>
    <td>代码补全</td>
    <td>5个epoch (Java语料库)</td>
    <td>Java代码token序列数据集</td>
  </tr>
  <tr>
    <td>Defect-detection</td>
    <td>代码缺陷检测模型，通过分析代码来识别潜在的缺陷和错误（进行二元分类(0/1)）</td>
    <td>代码缺陷检测</td>
    <td>5个epoch</td>
    <td>包含缺陷标注的C语言代码数据集</td>
  </tr>
  <tr>
    <td>code-refinement</td>
    <td>代码优化模型</td>
    <td>代码优化/重构</td>
    <td>34个epoch(small数据集)</td>
    <td>代码优化前后对数据集（C语言）</td>
  </tr>
  <tr>
    <td>code-to-text</td>
    <td>代码到自然语言的转换模型</td>
    <td>代码注释生成</td>
    <td>每种语言10个epoch (支持Python/Java/JavaScript/PHP/Ruby/Go)</td>
    <td>多语言代码-文本对数据集</td>
  </tr>
  <tr>
    <td>NL-code-search-Adv</td>
    <td>高级自然语言代码搜索模型，通过计算自然语言查询与代码片段之间的相似性来实现代码搜索,</td>
    <td>代码搜索</td>
    <td>2个epoch</td>
    <td>自然语言-(python)代码对数据集</td>
  </tr>
  <tr>
    <td>NL-code-search-WebQuery</td>
    <td>基于Web查询的代码搜索模型，该模型通过编码器处理代码和自然语言输入，并利用多层感知器（MLP）来计算相似性得分</td>
    <td>代码搜索</td>
    <td>两个数据集各3个epoch</td>
    <td>Web查询-代码对数据集（CodeSearchNet数据集和CoSQA数据集(python)）</td>
  </tr>
  <tr>
    <td>text-to-code</td>
    <td>自然语言到代码的生成模型</td>
    <td>代码生成</td>
    <td>23个epoch</td>
    <td>文本描述-代码(c语言)对数据集</td>
  </tr>
</table>