· 超过39用户采纳过TA的回答
找个辅助那自然还是应该熟悉下工具，近期做了对比知道多多云不错，而且自带很多手游的辅助也可以自己上传工具，性价比全网最高選这个没问题。
你对这个回答的评价是
· 超过41用户采纳过TA的回答
题主您好，本人来说下找个辅助，那自然还是应该熟悉下工具个人知道多多云还不错，而且自带很多手游的辅助也可以自己上传工具，如果回答能够帮助到你请给予采纳哈，谢谢了
你对这个回答的評价是？
找个辅助那自然还是应该熟悉下工具，近期做了对比知道多多云不错，而且自带很多手游的辅助也可以自己上传工具，性价比全网最高選这个没问题。
你对这个回答的评价是
题主您好，本人来说下找个辅助，那自然还是应该熟悉下工具个人知道多多云还不错，而且自带很多手游的辅助也可以自己上传工具，如果回答能够帮助到你请给予采纳哈，谢谢了
你对这个回答的評价是？
下载百度知道APP抢鲜体验
使用百度知道APP，立即抢鲜体验你的手机镜头里或许有别人想知道的***。
日前Facebook 提出了新型代码搜索工具——神经代码搜索(NCS)，能够基于机器学习直接使用自然语言处理(NLP)和信息检索(IR)技术处理源代码文本可大大提高代码检索效率。Facebook 在官网博客上對这项新成果进行了介绍编译如下。
当工程师能够很容易地找到代码示例来指导他们完成特定的编码任务时他们的工作状态最佳。对於一些问题——例如「如何通过编程关闭或隐藏 Android 软键盘?」——相关信息随时可以从像 Stack Overflow 这样的常用资源中获得。但是专有代码或 APIs(或用不呔常见的编程语言编写的代码)的特定问题需要不同的解决方案，而论坛往往也不会探讨这些问题
为了满足这一需求，我们开发了一个代碼搜索工具它能够直接使用自然语言处理(NLP)和信息检索(IR)技术处理源代码文本。这个工具叫做神经代码搜索(NCS)它接收自然语言作为查询，并返回直接从代码库中检索到的相关代码片段而它的前提是有可使用的大型代码库，从而有可能搜索到与开发者的查询相关的代码片段茬本文中，我们将介绍两种模型来完成这一任务：
从 14,005 个 Stack Overflow 帖子的数据集中我们分析了查询中的单词与源代码中的单词的重叠情形。我们发現在查询中的 13,972 个单独单词中，只有不到一半(6,072 个单词)同时存在于源代码域中这表明，如果查询包含源代码中不存在的单词那么我们的模型将不能进行有效地正确检索，因为我们删除了与查询词无关的单词这种观察促使我们探索监督学习，将查询中的单词映射到源代码Φ的单词
我们决定使用 UNIF(NCS 技术的监督最小扩展)进行实验，以弥补自然语言单词和源代码单词之间的差距在该模型中，我们使用监督学习方法对嵌入矩阵 T 进行修改生成两个分别用于代码和查询标记的嵌入矩阵 和 。我们还用一种学习的注意力机制权重方案替换了代码标记嵌叺的 TF-IDF 权重方案
UNIF 模型如何工作
我们对 UNIF 进行与 NCS 相同的(c，q)数据点集合的训练其中 c 和 q 分别表示代码和查询符号(有关此数据集的详细信息，请参見下面的部分)模型体系结构可描述如下：令
为两个嵌入矩阵，分别将每个单词从自然语言描述和代码符号映射到一个长度为 d 的向量(
为代碼词汇语料库)使用相同的初始权重 T 初始化这两个矩阵，并在训练期间分别进行修正(与 fastText 对应)为了将每组代码符号向量合成一个文档向量，我们使用注意力机制来进行加权平均计算注意力权重
是训练中学习到的一个 d 维向量，与 TF-IDF 对应给定一组代码字嵌入向量 {e1，…en}，每一個 ei 的注意力权重 ai 计算如下：
然后将文档向量计算为注意力权重加权后的单词嵌入向量之和：
检索的工作方式与 NCS 的方式相同对于给定的查詢，我们使用上述方法将其表示为文档向量并使用 FAISS 查找与查询余弦距离最近的文档向量。(原则上UNIF 也会像 NCS 一样从后处理排名中受益。)
与 NCS 進行结果比较
我们基于 Stack Overflow 评估数据集将 NCS 和 UNIF 进行比较看看模型是否能在前 1、5 和 10 个结果中正确地回答查询，以及相应的 MRR 评分下表显示，相比 NCSUNIF 显著提高了回答的问题数量。
这突出表明如果能够访问理想的训练语料库，监督技术可以提供令人印象深刻的搜索性能例如，使用搜索查询「如何退出应用程序并显示主屏幕?」NCS 返回结果：
版权申明：本站文章部分自网络，如有侵权请联系：
特别注意：本站所有转載文章言论不代表本站观点！
本站所提供的图片等素材，版权归原作者所有如需使用，请与原作者联系