代码也能预训练，微软&哈工大最新提出 CodeBERT 模型，支持自然-编程双语处理

作者 | 蒋宝尚

编辑 | 贾伟

BERT自诞生之后，其应用边界便不断扩张，从自然语言到图像、语音等。过去的一年也因此被誉为“BERT爆发的一年”。

近日，微软亚洲研究院周明、微软亚洲搜索技术中心蒋大兴、哈工大刘挺等人在arxiv上联合发表了一篇论文，标题为《 CodeBERT: A Pre-Trained Model for Programming and Natural Languages 》，再次拓宽了BERT的应用，将BERT应用到了 Python 、 PHP 、 Java 、JavaScript、 Go 、 Ruby 等编程语言的代码搜索和生成任务当中。

论文链接： https://arxiv.org/pdf/2002.08155.pdf

这篇论文提出了一个被称为「CodeBERT」的双模预训练模型，据作者介绍，这也是 目前已知的第一个大型 NL-PL（自然语言-编程语言）预训练模型 。该预训练模型能够处理NL-PL 的普遍问题，例如用自然语言搜索代码、自动生成代码等。

所谓自然语言代码搜索，所要解决的问题是，如何通过自然语言query查找到所需的代码块，这和我们常用的搜索引擎（通过自然语言query来查找所需网页）类似。事实上，微软Bing在2018年便上线了类似的功能，在搜索框中输入自然语言 “convert case using a function of R”，便会返回一段 R 代码。

针对自然语言代码搜索，在这篇论文里，作者在 CodeSearchNet语料库上对CodeBERT进行了预训练并做微调，这是一个包含了 6 种较为普遍的代码语言（分别为Ruby、JavaScript、Go、Python、Java、PHP）的语料库。如下图所示，他们在自然语言代码搜索任务中取得了SOTA的结果：

而另一方面，代码文档生成任务，是未来能够极大节省 程序员 工作量的极具前景的一个研究方向。如下图所示，

针对这个任务，CodeBERT也基本上都取得了SOTA结果，特别是相较于之前的ROBERTa模型，更是有显著的提高。

值一提的是，CodeBERT有一大亮点，即尽管它只在Ruby、JavaScript、Go、Python、Java、PHP等代码语言上进行了预训练，但预训练的模型却可以泛化到其他代码语言任务上，例如C#语言。

一、背景

BERT作为一种双向Transformer的编码器，其对预训练方法的创新深受业界和学术界的喜爱，虽然其他大规模的预训练模型例如ELMo、GPT等已经能够在各种NLP任务中提升SOTA。

但是上述提到的模型基本上都是面向自然语言处理，例如掩蔽语言建模、从未标记文本学习上下文表示。

相比以往的Bert的应用场景，作者另辟蹊径，推出双模态预训练模型，即兼顾NLP任务和Python、Java等编程语言。

具体来说，CodeBERT抓住了自然语言和编程语言之间的语义联系，能够支持自然语言代码搜索等NL-PL理解任务以及一系列像代码生成这样的生成任务。

一个NL-PL对，其中红线框中的是NL文本，黑色框是PL文本。

为了利用Nl-PL对的双模实例（bimodal instances）以及大量可用的单模代码（unimodal codes），作者使用了混合目标函数来训练CodeBERT，包括标准掩码语言建模和可替换Token检测。在具体的训练过程，作者用了六种编程语言在多语言BERT的设置中训练模型。

我们首先来看下CodeBERT的模型框架。

二、框架

在模型的整体架构上，CodeBERT并未脱离BERT和Roberta的思想。和大多数工作类似，作者使用了多层双向Transformer。更为具体一点，作者使用的模型架构与Roberta-base完全相同，即都有12层，每层有12个自注意头，每个头的大小是64，隐藏尺寸为768，前馈层的内部隐藏尺寸为3072。模型参数的总数为125M。

在预训练阶段，总共设计了两部分输入，一个是自然语言文本，另一个是编程语言的代码。对于自然语言文本将其视为单词序列，并拆分为WordPiece。对于编程代码，将其看做Token序列。

CodeBERT的输出也包括两个部分：1、聚合序列表示；2、有标记的上下文向量（contextual vector）。

数据集统计

训练CodeBERT所使用的数据集是Husain等人在2019年提供的最新数据集，里面包括 2.1M双模数据和6.4M 单码数据，其中双模码数据是指自然语言-代码对的并行数据，单码是指“未成对”的数据。

另外一些数据来自开源Nonfork GitHub仓库。对这些数据的处理是采用了一些约束和规则进行过滤。

可替换Token检测目标图解

在模型训练的设计上，其主要包括两个目标，其一是掩码语言建模，其二是可替换Token检测。在第二个目标中，作者进一步使用了大量的单模码数据。

目标一：掩码语言建模。将NL-PL对作为输入，随机为NL和PL选择位置进行掩码，然后用特殊的掩码Token进行替换。注意，掩码语言建模的任务是预测出被掩码的原始Token。

目标二：替换Token检测。在这部分有两个数据生成器，分别是NL生成器和PL生成器，这两个生成器都用于随机掩码位置集（randomly masked positions）生成合理的备选方案。另外，还有一个学习生成器用来检测一个词是否为原词，其背后原理是一个二进制分类器，这里与GAN不同的是，如果生成器碰巧产生正确的Token，则该Token的标签是“real”而不是“fake”。

学习器的损失函数

经过调整后，损失函数优化如下：

模型训练的最后一步是模型微调，具体操作是在NL-PL任务中使用不同的CodeBERT设置。例如在自然语言代码搜索中，会使用与预训练阶段相同的输入方式。而在代码到文本的生成中，使用编码器-解码器框架，并使用CodeBERT初始化生成模型的编码器。

三、实验

作者做了四个实验，分别是：1）将CodeBERT应用到自然语言代码搜索任务上，并与传统方法进行对比；2）进行NL-PL Probing实验，考察CodeBERT在预训练阶段到底学习了什么知识；3）将CodeBERT应用到生成任务当中；4）考察CodeBERT预训练模型的泛化能力，发现效果非常之好。

1、自然语言代码搜索

给定一段自然语言作为输入，代码搜索的目标是从一组代码中找到语义上最相关的代码。为了进行比较，作者选择了Husain 等人在2019年发布的 CodeSearchNet 语料库进行训练。这个语料库框架如下图所示，共包含6中常见的编程语言（Python、JavaScript、Java、Ruby、PHP、Go）。

在预训练阶段，作者首先对每种语言的数据集进行了训练。数据集分割如下：

在微调阶段，设置学习率为1e-5，批量大小为64，最大序列长度为200，最大微调周期为8，并使用Adam来更新参数，并从开发集中选择出表现最好的模型，并用于测试集上进行评估。

结果如下表所示：

性能相比于之前的SOTA模型ROBERTa取得了显著的提高。

2、NL-PL Probing

这部分实验主要研究在不更改参数的的情况下，Code BERT能够学习哪些类型的知识。目前学界还没有针对NL-PLProbing的工作，所以在这部分实验中，作者自行创建了数据集。

给定NL-PL对，NL-PL Probing的目标是测试模型的正确预测能力。模型比较结果如下图所示：

上表显示了正确预测实例的数量与全部实例数量的比例。可以看出，在各个变成语言的预测上，CodeBERT基本都取得了最高的分数。但由于不同编程语言的数据集非常不平衡，因此用累计的数据进行比较更为恰当，在PL和NL的probing中，CodeBERT的结果都要比RoBERTa高10~20个百分点。

也可以用一个具体的案例来对比下。下图案例中分别掩盖了NL和PL中的“min”：

上图为RoBERTa和CodeBert的预测概率

从结果来看，CodeBERT在NL上的正确预测率为60.6%，而在PL上直接高达99.999%。

3、代码文档生成

这部分研究代码到文档的生成问题，并在六种编程语言中研究了生成任务在Code Search Net Corpus上的结果。

另外，为了证明CodeBERT在代码到NL生成任务中的有效性，作者采用了各种预训练的模型作为编码器，并保持了超参数的一致性。 

实验结果如下：

在编程语言上进行预训练的模型的性能优于ROBERTa

4、泛化能力

那么，在Python、JavaScript、Java、Ruby、PHP、Go这些语言上做的预训练模型能够应用到别的编程语言上吗？

作者拿着前面预训练出的CodeBERT模型在C#语言上做了测试。

作者选择了Codenn数据集，这是一个包含Stack Overflow自动收集的66015对问题和答案的数据集，其规模相比 CodeSearchNet语料库要小几个数量级。为了可靠地评估模型，作者通过人工方式，为测试集中的代码片段提供两个附加 titles 来扩展测试集。

模型评估标准采用平滑的BLEU-4分数，评估结果如下图：

从这个结果可以看出，相较于RoBERTa，CodeBERT能够更好地推广到其他编程语言。不过值得注意的是，模型的效果略低于code2seq，作者认为原因可能是code2seq使用其抽象语法树AST中的组合路径，而CodeBERT仅将原始代码作为输入。

虽然作者也按照一定的顺序通过遍历AST的树结构来训练CodeBert，但并不会带来生成任务的改进。这种结果意味着结合AST来改进codebert是潜在方向。

四、总结

如前面提到，微软的 Bing 在2018年便已经上线了代码搜索功能，可以预期，基于预训练的代码功能也将很快落实到 Bing 的产品当中，从而提供能加优质的服务。同时我们也可以期待，该项工作能够在近期开源，以让更多研究人员快速跟进这一工作。

我们用几句话来总结这项工作的意义：

1、据作者表示，CodeBERT也是目前已知的首个大型的NL-PL（自然语言-编程语言）预训练模型；

2、本文提出了一个混合学习目标，能够支持使用双模数据NL-PL，且能够很容易地应用到单模数据中（例如没有自然语言文本的编程代码）；

3、CodeBERT在自然语言代码搜索和代码文档生成两个任务中都达到了SOTA性能，此外作者在实验中还建立了一个数据集来研究NL-PL预训练模型的探测能力，方便了以后跟进的研究人员。

点击“ 阅读 原文 ” 前往  AAAI 2020 专题