一行一行地敲程式码就像是徒手搬砖，聪明的程式猿们表示：我们要解放生产力！
在机器学习的时代，AI智慧补全程式码早已不是梦想，各种IDE和外挂都在努力帮助程式猿减少击键次数，延长键盘寿命（雾。
有位来自斯里兰卡的程式猿也加入了关爱键盘协会，他尝试用简单的深度学习模型来实现自动补全Python程式码这个目标，效果意外的不错。该专案现已开源！
简单的模型也强大
抱着实验的心态，在这个专案中，斯里兰卡小哥用到的只是一个简单的LSTM（Long Short-Term Memory）模型。
用来进行预测的演算法是集束搜寻（beam search)，这是一种启发式图搜寻演算法。在进行每一步深度扩充套件时，集束搜寻仅保留一些质量较高的节点，减少空间消耗，提高时间效率。采用集束搜寻演算法最多可以实现10个字元的预测。
而投喂给模型的资料是标记化的Python程式码，这些程式码里的注释、字串和空行事先清理掉了。
训练效果是这样的：
绿色的字母就是自动补全开始的位置，按下TAB键选择补全，高亮标注为灰色的部分就是AI补充的程式码。
小哥表示，如此简单的模型下，使用深度学习来自动补全Python程式码，仍可以减少30-50%的击键次数，真的是surprise！
在GitHub上，小哥提供了一个Python的解析器，而只要写一个其他语言的解析器，这个方案完全可以推广到其他语言上，实现Java自动补全，C自动补全等等。
使用方法
1、安装进行机器学习的实验环境（lab，地址见文末）。
2、将资料复制到 ./data/source。
3、执行 extract_code.py 来收集所有的python档案，编码并将其合并到 all.py。
4、执行 evaluate.py 对模型进行评估。
5、执行 train.py 训练模型。
方法简单，效果还挺好，听上去这个专案很有潜力啊。不过理想很丰满，现实还是有点骨感的。这个新生的AI还是面临着许多成长挑战的。
挑战一：效率太低
首先是它的效能尚未能满足实际使用的需要。由于编辑整合器的限制，集束搜寻演算法效率低下，有等它补全程式码的时间，手动都可以敲好几行程式码了。
对此斯里兰卡小哥表示，下一步他们会尝试用不同的架构来提高推理效能，也欢迎大家向他们分享想法和建议。
Reddit网友们还指出，用机器学习来补全程式码这个想法早已有比较成功的实现方案，比如获得了Trith Ventures投资的Kite。
全球有超过3万名Python开发人员使用Kite，它被誉为当前最好用的Python自动补全工具。不仅能补全程式码，Kite还能帮你跳过档案了解到别人是如何实时使用函式的，同时，它也能提供你的自定义程式码库里的定义和用法。
连Python之父都忍不住为Kite点赞：这可真够酷的。
比起Kite这位前辈，小哥的这个专案还是非常稚嫩的，不过Kite并没有开源，其作为补充使用的云引擎也引起了有关安全性的质疑，有网友表示：
要是在工作上用了Kite，贵公司的法务部门怕不是要疯。
此外，还有网友好奇AI跟Pycharm比起来又如何？毕竟Pycharm的自动补全就已经挺好用了。
传送门
Github：https://github.com/vpj/python_autocomplete
Lab：https://github.com/vpj/lab
