7.5亿美元做代码转换？一个Facebook TransCoder AI就够了！
即将开播：6月19日，互联网银行架构师魏生谈互联网开放银行实施路径的探索与思考
代码的迁移和语言转换是一件很困难且昂贵的事情，澳大利亚联邦银行就曾花费5年时间，耗费7.5亿美元将其平台从COBOL转换为Java。而Facebook最近宣称，他们开发的一种神经转换编译器（neural transcompiler），可以将一种高级编程语言（如C ++，Java和Python）转换为另一种，效率飞起！
从 COBOL 到 Java，TransCoder能帮你省下7.5亿美元
不同的编程语言之间也可以自动转换了！
要知道，将现有的代码库迁移到现代或者更有效的语言，如 Java 或 c + + ，需要精通源语言和目标语言，而且无论是金钱还是时间耗费都十分高昂。
澳洲联邦银行在过去五年中花费了大约7.5亿美元将其平台从 COBOL 转换为 Java。
但是，Facebook最近开发的神经转换编译器TransCoder让代码转换出现了新的转机。该系统可以将代码从一个高级语言转换成另一个，比如 c + + 、 Java 和 Python。
这个系统是弱监督的，可以在没有标签的数据集中寻找以前未检测到的模式，只需要少量的人工监督。研究人员称，这比基于规则数据集的模型要高效得多。
理论上，代码转换编译器能够提供很多的帮助，让开发者无需从头重新写代码。但实践中，代码转换是一件很困难的事情，因为不同语言依赖于不同的语法准则，不同的平台api、标准库函数和可变类型。
因此，TransCoder的面世，无疑是企业的福音。因为他们不必像澳洲联邦银行那样，再去耗费大量的时间和金钱去做代码转换的复杂工作，只需要选择Facebook，选择TransCoder，平台迁移即可迎刃而解。
从Java到C++，TransCoder转换准确率超九成！
TransCoder是基于跨语言模型预训练去做的模型初始化，这样的训练不着眼于编程语言的类型，而仅仅将表示相同指令的代码段映射为相同的表示形式。
之所以TransCoder能进行跨语言模型的训练，是因为系统的标记原理着眼于跨语言之间的共同关键字，如「if」，「for」等，以及数字、数学运算符和出现在源代码中的英语字符串。这样反向翻译之后通过源-目标模型和并行训练的目标-源模型耦合，从而提高了训练的质量。
研究人员为了评估TransCoder的性能，从GeeksforGeeks中提取了852个C ++，Java和Python并行函数，利用这些不同语言的转换来测试函数语义是否精准，测试的结果如下：
GeeksforGeeks是一个在线平台，用于收集编写代码时的问题，并提供多种编程语言的解决方案。
研究人员称，TransCoder在实验过程中展示了对每种语言特有语法的理解能力，并且能够适应小范围的修改。尽管这个模型并不完美，但是性能优于已有的利用专家知识手动构建的框架。
从自然语言翻译到代码翻译，seq2seq再立新功
TransCoder使用了经典的序列到序列（seq2seq）模型，该模型由基于Transformer的编码器和解码器组成，seq2seq模型的好处在于，你只需要有对应的输入输出即可，而不需要关心是哪两种编程语言。
TransCoder仿照Lample等人中确定的无监督机器翻译流程进行训练，包括初始化，语言建模和反向翻译。
实验表明以跨语言方式对整个模型（不仅是单词表示形式）进行预训练显著改善了无监督机器翻译的效果，TransCoder遵循Lample和Conneau 的预训练策略，其中跨语言模型（XLM）在单语言的源代码数据集上，使用遮罩语言建模进行了预训练。
TransCoder的转换原理
其中，跨语言本质来源于多种语言中的大量通用标记（锚点）。在英语-法语翻译的上下文中，锚点主要由数字、城市、人名等组成，而在编程语言中，这些定位点来自常见的关键字（for，while，if，try等），以及源代码中出现的数字，运算符和英语字符串等。
seq2seq模型的编码器和解码器由预训练的XLM模型参数进行初始化。对于编码器而言，初始化非常简单，因为它与XLM模型具有相同的体系结构。但是解码器具有与attention机制有关的额外参数，所以这部分采用了随机初始化。
XLM预训练允许seq2seq模型生成输入序列的高质量表示。然而，解码器缺乏翻译能力，因为从未训练过解码器基于源表示对序列进行解码。为了解决这个问题，TransCoder利用降噪自编码(DAE)对序列进行编码和解码，再对模型进行训练。
在测试时，模型可以对Python序列进行编码，并使用C ++起始符号对其进行解码以生成C ++转换。C ++转换的质量取决于模型的「跨语言」性能：如果Python和C ++转换被编码器映射到相同的表示，则解码器将成功生成对应的C ++代码。
实际上，仅XLM预训练和降噪自编码就足以生成翻译。但是，这些翻译的质量往往很低，因为该模型从未对编程语言实现的功能进行训练。TransCoder为了解决这个问题，使用了反向翻译，这是在弱监督的情况下利用单语言数据的最有效方法。
在无监督的情况下，源到目标模型与后向的目标到源模型是并行训练的。目标到源模型用于将目标序列翻译成源语言，从而产生与真实目标序列相对应的嘈杂源序列。然后以弱监督的方式训练源到目标模型，从前面生成的嘈杂源序列中重建目标序列，反之亦然，并行训练两个模型直到收敛。
作者简介
该论文一作Marie-Anne Lachaux，目前是Facebook人工智能研究院NLP方向研究员，巴黎高等电信学院计算机图像学学士，伦敦国王学院计算机图像学硕士，曾在达索系统（Dassault Systèmes）担任研究员。主要研究方向为计算机视觉和图像识别，计算机神经网络。
在达索担任研究员期间，Marie-Anne Lachaux主要方向为拓扑优化研究。拓扑优化是设计机械零件的一种新方法，其目的是在保持机械性能的同时大量减少零件的质量。拓扑优化的实现方法是基于Visual Studio，c++和许多经典库，这为Marie-Anne Lachaux在Facebook开展NLP研究奠定了基础。
