AAAINov, 2017

DLPaper2Code: 深度学习研究论文代码自动生成

PDF
TL;DR提出了一种新颖的可扩展方法 DLPaper2Code，用于提取和理解研究论文中可用的深度学习设计流程图和表格，并将其转换为抽象的计算图，最终实时转换为 Keras 和 Caffe 的执行源代码，同时生成的设计可以通过直观的拖放 UI 框架进行评级和编辑。这种方法在模拟数据集上的实验表明，提取出的流程图内容的准确率高达 93％以上。
deep learningreproducibilitydlpaper2codecomputational graphsource code
发现论文，激发创造
  • Sketch2code: 从手稿模型生成网站

    本文提出了两种途径以自动化用户界面模板代码开发，一种是使用传统的计算机视觉技术，另一种则运用深度语义分割网络的新应用。通过我们设计的新评估框架的评估表明，我们的深度学习方法优于传统的计算机视觉方法，我们得出结论：深度学习是未来研究的最有前途的方向。

    May, 2019

  • MetaML：用于深度学习加速的可定制跨阶段设计流程自动化

    本论文介绍了一种新的针对深度神经网络（DNN）硬件加速器的优化框架，它能够快速开发定制化和自动化的设计流程，同时具有高度可定制性和灵活性，通过引入新的优化和转换任务，不需要人类专业知识，可以在保持准确性的同时大幅度降低 DSP 和 LUT 使用，相较于现有技术，具有更高的精度和更少的 DSP 资源使用率。

    Jun, 2023

  • Design2Code: 前端工程自动化的实现程度如何？

    通过综合评估，我们发现 GPT-4V 在将视觉设计转换为代码实现的任务中表现最佳，其生成的网页在视觉外观和内容方面可以替代原始参考网页的 49％，并且在 64％的情况下被认为比原始参考网页更好。

    Mar, 2024

  • 自动提取伪代码的扩展规模

    通过从 arXiv 论文中提取近 320,000 个伪代码示例，我们创建了一个庞大的伪代码集合。我们的方法包括一个定制化的提取机制和一个基于随机抽样的验证机制，以优化覆盖范围并检查准确性和可靠性。同时，通过聚类和统计分析，我们提供了对常见伪代码结构的洞察，表明伪代码的使用呈现出指数型增长，凸显其不断增加的重要性。

    Jun, 2024

  • pix2code：从图形用户界面截图生成代码

    本研究使用深度学习方法，基于单个输入图像，在三个不同平台（即 iOS、Android 和基于 web 的技术）中以超过 77% 的精度自动生成代码。

    May, 2017

  • 顶级人工智能会议论文源代码的自动分析

    提出了一种自动识别具有可用源代码论文并提取其代码库 URL 的方法，利用该方法发现 10 个顶级人工智能会议 2010 至 2019 年的 20.5% 常规论文被识别为具有可用源代码，但其中 8.1% 的源代码库已不再可访问，同时创建了 XMU NLP 实验室 README 数据集来分析源代码文件以了解其应用背景。

    Sep, 2022

  • 具备编译器反馈的可编译神经代码生成

    本文提出了一种名为 COMPCODER 的三阶段编译反馈机制，采用编译器反馈来生成可编译的代码，实验结果显示该方法的成功编译率从 44.18％提升至 89.18％。

    Mar, 2022

  • 一种 Verilog 自动完成的深度学习框架 —— 向设计和验证自动化

    本文提出一种基于深度学习的 Verilog 自动补全模型的训练框架，该框架通过将通用编程语言预训练模型与类似目标下游任务的数据集集成并进行微调来验证，实验结果表明，该框架相比于从头开始训练的模型，具有更好的 BLEU、ROUGE-L 和 chrF 评分。

    Apr, 2023

  • ML/DL 模型中数据流图的自动任务并行化

    我们提出了一种基于关键路径的线性聚类方法，利用机器学习数据流图中的并行路径来优化图的结构，从而加速串行执行速度，并在编译和运行时优于一些当前机制。

    Aug, 2023

  • 通过阅读 API 文档生成未知库代码

    本篇研究是探讨 open-domain code generation 领域中的挑战 --- 对于不同编程社区中经常变化和扩展的函数和类的生成，特别是当涉及到未知的代码库时。作者提出了一个框架，利用 API 文档中的信息生成代码，并进行了相关实验并开放了一个新数据集。

    Feb, 2022