按年被提到
20162017 · 3 次2026
软件工程与 AI 编程›代码生成与程序合成·arXiv:1611.01989 · cs.LG

DeepCoder: Learning to Write Programs

DeepCoder:学习编写程序
Matej Balog, Alexander L. Gaunt, Marc Brockschmidt, Sebastian Nowozin, Daniel Tarlow · 2016

用神经网络预测程序性质,加速基于输入输出示例的程序搜索

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 4 人首次 2016-11-30 · 最近 2017-08-14
4不同的人
3活跃月份
3讨论串
274被引(OpenAlex)

针对由输入输出样例求解编程竞赛风格题目的问题,训练神经网络从样例预测生成该输出的程序具有哪些性质,再用预测结果增强编程语言领域的枚举搜索和基于 SMT 的求解器。实验显示比未增强的强基线和 RNN 方法快一个数量级,能解出难度相当于竞赛网站上最简单题目的问题。

HN 为什么提它

评论者在讨论神经网络生成代码时把它当作神经程序合成的代表性例子,也有人提到它早在前一年 11 月就已挂上 arXiv。

方法难度 3 / 5约 45 分钟经得起时间
读之前最好知道
1程序合成(program synthesis)
2神经网络基础
3枚举搜索与 SMT 求解
4输入输出示例编程(programming by example)

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用EvgeniyZh · 2017-02

“That's interesting that the paper was on arxiv since November and people payed attention just now.”

指出 DeepCoder 论文 11 月就挂在 arXiv 上,直到现在才受关注
DeepCoder: Learning to Write Programs原评论 ↗
引用darkmighty · 2017-08

“Note that we haven't yet gotten a good neural-generated code modifications, even using large networks, GPU training and large computing time. Best examples I could find:”

指出神经网络生成代码修改仍未成功,并把它当作能找到的最佳例子
Coding Machines原评论 ↗
被提交为 story · 2 次