README.md

metadata

license: mit

模型训练过程汇总（持续更新中）

本仓库采用扁平化的目录结构和标签系统来组织模型，具体说明如下：

仓库结构

• 一级目录：直接以模型名称命名，例如 Clone-detection-BigCloneBench、GraphMAE_QM9 等
• 模型目录结构：每个模型目录下包含：
  • code/：存放模型相关代码和训练脚本
  • model/：存放模型训练过程和权重文件
    • 按数据集分类
    • 训练变体（0：标准训练，1：数据增强，2：后门攻击）
    • 每个epoch的权重文件(.pth)和embedding(.npy)
  • dataset/：训练数据集（解压或压缩包形式）

标签系统

每个模型都具有以下标签属性：

1. 数据类型 (data_type)

   • 代码 (code)
   • 文本 (text)
   • 图像 (image)
   • 图结构 (graph)

2. 任务类型 (task_type)

   • 分类 (classification)
   • 生成 (generation)
   • 检索 (retrieval)
   • 相似度计算 (similarity)
   • 表示学习 (representation_learning)
   • 自动编码 (autoencoder)
   • 代码补全 (completion)
   • 预训练 (pretraining)

3. 领域 (domain)

   • 代码克隆检测 (code_clone_detection)
   • 代码搜索 (code_search)
   • 分子性质预测 (molecular_property)
   • 代码缺陷检测 (code_defect_detection)
   • 计算机视觉 (computer_vision)
   • 移动端计算 (mobile_computing)
   • Transformer架构 (transformer)

4. 输入/输出类型 (input_type/output_type)

   • 代码 (code)
   • 代码对 (code_pair)
   • 代码token序列 (code_tokens)
   • 代码排序 (code_ranking)
   • 自然语言 (natural_language)
   • 图结构 (graph)
   • 图像 (image)
   • 二元标签 (binary)
   • 类别标签 (class_label)
   • 分子特征 (molecular_features)

所有模型的元数据和标签信息都存储在 models.json 文件中

可以通过运行 python model_filter.py 命令来通过标签进行快速检索和筛选。

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	待上传	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	待上传	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	待上传	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	待上传	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	待上传	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	待上传	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	待上传	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	待上传	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	待上传	文本描述-代码(c语言)对数据集
GraphMAE_QM9	在QM9数据集上训练的图掩码自编码器,通过对分子图中的原子的坐标以及类型进行预测实现自监督训练	图自编码器	待上传	分子属性预测数据集
AlexNet	2012年获得ImageNet冠军的经典模型，首次证明了深度学习在图像识别上的强大能力。	图像分类	待补充	CIFAR-10数据集
DenseNet	每一层都直接与其他所有层相连，像搭积木一样层层堆叠，可以更好地学习图像特征。	图像分类	待补充	CIFAR-10数据集
EfficientNet	通过平衡网络的深度、宽度和图像分辨率，用更少的计算量达到更好的效果。	图像分类	待补充	CIFAR-10数据集
GoogLeNet	谷歌开发的模型，像多个眼睛同时看图片的不同部分，既省资源又准确。	图像分类	待补充	CIFAR-10数据集
LeNet5	深度学习领域的开山之作，虽然简单但奠定了现代CNN的基础架构。	图像分类	待补充	CIFAR-10数据集
MobileNetv1	专门为手机设计的轻量级模型，用特殊的卷积方式减少计算量。	图像分类	待补充	CIFAR-10数据集
MobileNetv2	MobileNet的升级版，增加了特征复用机制，性能更好。	图像分类	待补充	CIFAR-10数据集
MobileNetv3	结合自动搜索技术的新版本，自动找到最适合手机的网络结构。	图像分类	待补充	CIFAR-10数据集
ResNet	通过特殊的"快捷连接"解决深层网络训练难的问题，可以训练超级深的网络。	图像分类	待补充	CIFAR-10数据集
SENet	为网络添加了"注意力机制"，让模型能够关注图片中重要的部分。	图像分类	待补充	CIFAR-10数据集
ShuffleNet	通过巧妙地打乱和分组计算，实现了手机上的高效运行。	图像分类	待补充	CIFAR-10数据集
ShuffleNetv2	在原版基础上优化设计，速度更快，效果更好。	图像分类	待补充	CIFAR-10数据集
SwinTransformer	把自然语言处理的先进技术用于图像，通过逐步关注图片不同区域来理解图像。	图像分类	待补充	CIFAR-10数据集
VGG	用统一的小型卷积核堆叠成深层网络，结构简单但效果好。	图像分类	待补充	CIFAR-10数据集
ViT	把图片切成小块后像读文章一样处理，是一种全新的图像处理方式。	图像分类	待补充	CIFAR-10数据集
ZFNet	通过可视化研究改进的AlexNet，帮助人们理解网络是如何"看"图片的。	图像分类	待补充	CIFAR-10数据集