code-philia/mtpnet_tokens

模型训练过程汇总（持续更新中）

对于已收集的每一个模型，code 目录为模型定义、训练和测试的代码和脚本文件，model 目录为已收集的 epoch 模型文件，dataset.zip 为模型数据集。

下表汇总了所有收集的模型训练过程信息：

模型名称	模型简介	模型类型	Epoch数量	数据集信息
Clone-detection-BigCloneBench	基于大规模代码克隆基准数据集的代码克隆检测模型，任务是进行二元分类(0/1),其中1代表语义等价，0代表其他情况。	代码克隆检测	2个epoch	BigCloneBench数据集
Clone-detection-POJ-104	基于POJ-104数据集的代码克隆检测模型，任务是识别不同编程题目中相似的代码实现，给定一段代码和一组候选代码，任务是返回具有相同语义的Top K个代码	代码克隆检测	2个epoch (0-1)	POJ-104编程题目数据集
CodeCompletion-token	基于token级别的代码自动补全模型	代码补全	5个epoch (Java语料库)	Java代码token序列数据集
Defect-detection	代码缺陷检测模型，通过分析代码来识别潜在的缺陷和错误（进行二元分类(0/1)）	代码缺陷检测	5个epoch	包含缺陷标注的C语言代码数据集
code-refinement	代码优化模型	代码优化/重构	34个epoch(small数据集)	代码优化前后对数据集（C语言）
code-to-text	代码到自然语言的转换模型	代码注释生成	每种语言10个epoch (支持Python/Java/JavaScript/PHP/Ruby/Go)	多语言代码-文本对数据集
NL-code-search-Adv	高级自然语言代码搜索模型，通过计算自然语言查询与代码片段之间的相似性来实现代码搜索,	代码搜索	2个epoch	自然语言-(python)代码对数据集
NL-code-search-WebQuery	基于Web查询的代码搜索模型，该模型通过编码器处理代码和自然语言输入，并利用多层感知器（MLP）来计算相似性得分	代码搜索	两个数据集各3个epoch	Web查询-代码对数据集（CodeSearchNet数据集和CoSQA数据集(python)）
text-to-code	自然语言到代码的生成模型	代码生成	23个epoch	文本描述-代码(c语言)对数据集
case_study_mnist_backdoor	使用MNIST数据集(包含手写数字),用于分类0到9的灰度图像，攻击者在训练集中插入恶意构造的样本（后门样本），使得训练好的模型在特定输入下表现出异常行为	使用后门攻击图像分类模型	48个epoch	MNIST 数据集