2020年6月OpenAI发布了最新的GPT-3模型，它不仅能够实现一些强大的自然语言处理功能，还带来了另外一项有趣的突破--能够生成React代码。
在Python代码中，很多工程相关的代码也是使用各种第三方工具包进行完成。以数据分析为例，会在很多地方用到pandas，但是，往往繁琐的命令和复杂的语法很难记住。然而，在一些博客和网站找到对应的代码片段又需要修改一些变量和列名。
收到GPT-3的启发，开发人员考虑，是否可以把自动生成代码引入到Jupyter Notebook中，开发一款Jupyter Notebook插件，让它能够实现通过自然语言描述轻松转化成代码。
于是，本文的主角--Text2Code就应用而生了，本文就来介绍一下它的使用。
Text2Code
功能：
Text2Code[1]是一款Jupyte Noteboo插件，它能够实现从英文自然语言描述到Python代码的轻松转换。
换句话说，你只需要用英文描述一下你想完成的功能，Text2Code就可以把它转化成Python代码。
例如，你给出一段英文描述：
group the df by heroes_gender and get min, max, mean and sum of episode_duration然后，它就会在cell中生成代码片段：
df[['heroes_gender', 'episode_duration']].group_by(['heroes_gender']).agg(['min', 'max', 'mean', 'sum'])实现
Text2Code建立在可扩展的监督模型基础上进行开发而成，它主要包含如下部分：
-
生成/收集训练数据
-
意图匹配：用户想要做什么？
-
命名实体识别：识别句子中的变量（实体）
-
填充模板：在固定模板中使用提取的实体生成代码
-
封装Jupyter Notebook扩展
使用方法
Jupyter Notebook的安装步骤如下：
$ git clone https://github.com/deepklarity/jupyter-text2code.git
$ cd jupyter-text2code
$ pip install .使用详细说明如下：
-
打开Jupyter Notebook
-
如果前面安装成功，那么第一次从 tensorflow_hub 下载 Universal Sentence Encoder 模型
-
点击菜单上出现的
Terminal图标（激活扩展） -
键入 "help "查看当前支持的命令列表
生成训练数据
为了生成训练数据，开发者模拟用户要向系统查询的内容，先用一下自己认为的格式给出一段英文描述。
找出一段英文描述中的关键词，然后用生成器去生成一些关键词，来替代实现数据集中的内容，以此来生成训练数据。
意图匹配
在生成数据后，这些数据被映射为特定意图的唯一 "intent_id"，然后使用Universal Sentence Encoder来获取用户查询的嵌入，并找到与预定义意图查询（生成数据）的余弦相似性。Universal Sentence Encoder类似于word2vec，它可以生成嵌入，但针对的是句子而不是单词。
命名实体识别
生成的数据可以用来训练一个自定义的实体识别模型，它可以检测列名、变量、库名。为此，开发人员探索了HuggingFace模型，但最终还是使用Spacy来训练自定义模型，主要是因为HuggingFace模型是基于变换器的模型，相对于Spacy来说有点重。
填充模板
只要正确识别实体，正确匹配意图，填写模板就非常容易。例如，"show 5 rows from df "查询会得到两个实体：一个是变量，一个是数字。对此，模板代码的编写很直接。
干货推荐
为了方便大家，我花费了半个月的时间把这几年来收集的各种技术干货整理到一起，其中内容包括但不限于Python、机器学习、深度学习、计算机视觉、推荐系统、Linux、工程化、Java，内容多达5T+，我把各个资源下载链接整理到一个文档内，目录如下：
所有干货送给大家，希望能够点赞支持一下！