Koda lasāmības uzlabošana ar neironu tīkliem
Автор
Novickis, Eduards
Co-author
Latvijas Universitāte. Datorikas fakultāte
Advisor
Paikens, Pēteris
Дата
2023Metadata
Показать полную информациюАннотации
Koda lasāmības uzlabošana ir ļoti svarīga, lai veicinātu efektīvu koda izpratni un izstrādātāju sadarbību. Šajā darbā ir pētīta neironu tīklu izmantošana, it īpaši komentāru ģenerēšanas modeļiem, lai automātiski ģenerētu informatīvus un kodolīgus komentārus, kas apraksta koda funkcionalitāti lai uzlabotu koda lasāmību. Šajā darbā CodeT5 modelis ir pielāgots komentāru ģenerēšanai, izmantojot CodeSearchNet datu kopu, un salīdzināts ar citiem mūsdienu modeļiem, kas spēj ģenerēt komentārus kodam. Ir apskatīti dažādi aspekti, kas attiecas uz veiksmīgu komentāru ģenerēšanu. Tie ietver atlases kritērijus piemērota modeļa izvēlei, ņemot vērā tādus faktorus kā iepriekšējie dati, modeļa arhitektūra, sarežģītība un pieejamie resursi. Pētījumā rezultāti iekļauj pielāgotā CodeT5 modeļa novērtēšanu un salīdzināšanu ar citiem modeļiem, kuri spēj ģenerēt komentārus kodam. Kā arī ir izanalizēti dažādi ietekmējošie faktori kā modeļa izmērs, partija lielums (batch size) un pielāgošanas ilgums lai noteiktu kas ir nepieciešami apsvērt un kas var uzlabot. Enhancing code readability is crucial for promoting effective code comprehension and collaboration among developers. This research explores the use of neural networks, particularly comment generation models, to automatically generate informative and concise comments that describe code functionality. In this work, the CodeT5 model is adapted to generate comments using the CodeSearchNet dataset and compared with other state-of-the-art models capable of generating comments for code. Various aspects of successful comment generation are covered. These include selection criteria for selecting an appropriate model, taking into account factors such as prior data, model architecture, complexity, and available resources. The results of the study include the evaluation and comparison of the finetuned CodeT5 model with other models capable of generating comments for the code. Various influencing factors such as model size, batch size and finetuning duration are also analyzed to determine what needs to be considered and what can be improved.