Oct, 2023

Calysto Scheme 项目

HTML
PDF
TL;DRCalysto Scheme是用Continuation-Passing Style编写的Scheme语言，通过一系列正确性保持的程序转换变成Python。它支持标准的Scheme功能，包括call/cc，还有用于自动回溯的非确定性运算符和许多用于Python互操作的扩展。它基于Python构建，可以利用现代Python库，包括机器学习和其他教育背景的库。尽管Calysto Scheme是为教育目的而开发的，但由于其简单性和易于安装，它已被证明在各种情况下非常有用。它已集成到Jupyter Notebook生态系统中，并在课堂上用于教授引人入胜且独特的编程语言。
发现论文，激发创造
  • 机器学习软件的 API 设计：来自 scikit-learn 项目的经验

    本文讨论了Scikit-learn机器学习库API的设计选择，其中强调了可重用性和组合性，并评论了该库用户和开发者所面临的障碍。

    Sep, 2013

  • Theano: 用于快速计算数学表达式的 Python 框架

    Theano是一个Python库，可高效地定义，优化和评估涉及多维数组的数学表达式，在机器学习社区中一直以来是最常用的CPU和GPU数学编译器之一，并显示稳定的性能改进。

    May, 2016

  • 使用源代码转换进行正切函数：动态类型数组编程的自动微分

    本文介绍了自动微分的技术在Python中的实现以及如何使用source-code transformation等技术提高性能和可用性。同时，引入了Tangent软件库来实现这些想法，这也是首个使用SCT实现的动态语言的自动微分框架。

    Sep, 2018

  • 训练和评估Jupyter笔记本数据科学助手

    本论文研究了一个由序列到序列变换器驱动的数据科学助手的可行性，通过使用所有公开可用的Jupyter Notebook GitHub存储库对一个名为JuPyT5的新模型进行训练。新模型根据306个教学笔记本上的1119个Python实现的数学和数据科学问题进行评估。实验发现JuPyT5可以解决77.5％的数据科学问题，同时对DSP进行了比较分析。

    Jan, 2022

  • 基于库的 Python 代码分析实现代码完成和自动机器学习

    本文介绍了一种基于动态分配和极度抽象的库来生成代码抽象化的静态分析Python的框架Serenity，并证明了其在代码补全和自动机器学习等应用中的有效性。

    Jan, 2023

  • LLM 交互优化开源 Python 库 —— 案例研究与泛化

    利用大型语言模型（LLM）如ChatGPT-4对源代码进行优化，在示范性案例中发现LLMs在提高能源和计算效率方面具有出色的表现，但仅针对交互式使用，需要专家参与。

    Dec, 2023

  • Python实现线性系统的循环利用方法，并应用于多目标优化

    通过对线性系统和多目标优化的研究，我们评估了使用常见回收方法解决线性系统时的性能，并讨论了在Python和PyTorch中实现这些回收策略的挑战和解决方案。我们的目标是在已建立的帕累托前沿代码中实现RMINRES，并在Python和PyTorch中实现稀疏近似映射代码，以便未来可以并行化。

    Feb, 2024

  • 使用上下文无关文法自动生成Python程序

    近年来，数据作为新的黄金崛起，成为创建智能系统的强大工具。我们开发了TinyPy Generator，这是一个使用上下文无关文法生成随机Python程序的工具。生成的程序通过构建保证正确。我们的工具可以轻松地大规模生成Python代码，对机器学习和编程语言研究特别有用。我们的实现是开源的，可以根据用户需求进行定制，并扩展到其他语言的潜在使用。

    Mar, 2024

  • Python科学计算管道集成的函数式编程范式

    现代数据处理的出现导致了越来越多的跨学科研究，在这种研究中经常涉及到不同技术方法的引入。因此，迫切需要一个统一的数据控制系统来促进各种库的集成。本文提出了一种基于Python架构和相关套件的新颖的函数式编程范式，旨在实现不同数据映射操作管道的集成，特别是用于科学计算流程的集成，为上述挑战提供了强大而灵活的解决方案。

    May, 2024

  • DistiLRR：低资源编程语言的代码修复迁移

    使用大型语言模型（LLMs）进行代码修复可以在高资源语言和低资源语言上实现较好的性能表现，但低资源语言中的代码修复效果受到了深知识缺乏的基础模型的限制。我们提出了一种名为DistiLRR的方法，通过从教师模型到学生模型的推理和代码生成能力转移，可以在低资源语言中获得比基线模型更好的性能。研究结果显示DistiLRR在低资源语言上始终优于基线模型，但在高资源语言上性能相似。我们经过进一步分析，发现了解释质量与代码正确性之间的相关性较弱，这种弱点在低资源环境中被放大，因为基础模型缺乏对编程语言的深入知识，导致代码修复在高资源和低资源语言之间的效果存在差异。

    Jun, 2024