---
title: coding_assistant_of_LiuWenjie
canonical_url: "https://www.modelscope.cn/models/EEEnder/coding_assistant_of_LiuWenjie"
md_url: "https://www.modelscope.cn/models/EEEnder/coding_assistant_of_LiuWenjie.md"
repository: EEEnder/coding_assistant_of_LiuWenjie
chinese_name: "刘文杰的代码助手"
last_updated: 2024-01-29
parameters: 17.9M
tensor_type:
  - F32
library_name:
  - safetensors
  - pytorch
frameworks:
  - pytorch
downloads: 123
stars: 2
---

# coding_assistant_of_LiuWenjie

> coding_assistant_of_LiuWenjie - EEEnder 在 ModelScope 开源的模型。功能: 这个模型可以根据用户的问题生成编程语言（例如Python、C、C++等）的代码示例。关键特点：代码生成： 针对用户提出的编程问题，生成准确的示例代码；自我认知：能够回答关于其身份和开发者的问题；多轮对话能力：可在多轮对话中保持上下文的连贯性。应用场景：对于需要编程帮助的学生、开发者等用户很有用，用户可以通过简单的查询快速获得代码解决方案。

- **Repository**: EEEnder/coding_assistant_of_LiuWenjie
- **Parameters**: 17.9M
- **Downloads**: 123
- **Stars**: 2
- **Last updated**: 2024-01-29

Source: https://www.modelscope.cn/models/EEEnder/coding_assistant_of_LiuWenjie

---

# 1 模型名称与简介
- **模型名称**：刘文杰的代码助手 (coding_assistant_of_LiuWenjie)
- **简介**：这是一个专为编程问题设计的深度学习模型，由刘文杰开发。该模型结合多语言编程数据，能够理解和生成代码片段，提供编程问题的解答，以及进行代码优化建议。特别适合用于编程教学、代码审查和自动编码任务。
关键特点：**代码生成**：针对用户提出的编程问题，生成准确的示例代码；**自我认知**：能够回答关于其身份和开发者的问题；**多轮对话能力**：可在多轮对话中保持上下文的连贯性。
# 2 实验环境
- 8核 32GB 显存24G
- 预装 ModelScope Library
- 预装镜像：ubuntu22.04-cuda12.1.0-py310-torch2.1.2-tf2.14.0-1.11.0

# 3 训练方法
- **模型选择**：`qwen_7b_chat`
- **使用的数据集**：
  - `alpaca_zh`：涵盖广泛的中文编程相关数据
  - `alpaca_en`：包含丰富的英文编程相关数据
  - `code_alpaca_en`：专注于英文代码的数据集
  - `leetcode_python_en`：Python语言的LeetCode题解数据
  - `codefuse_python_en`：Python编程语言的英文数据集
  - `codefuse_evol_instruction_zh`：中文编程指令与代码数据集
- **超参数设置**：
  - 训练数据集样本数 (`train_dataset_sample`)：：500（控制模型训练的数据规模）
  - 评估步数 (`eval_steps`)：20（每20步进行一次模型评估）
  - 日志记录步数 (`logging_steps`)：5（每5步记录一次训练日志）
  - 输出目录 (`output_dir`)：output（模型输出和日志的保存位置）
  - LoRA目标模块 (`lora_target_modules`)：ALL（LoRA结构应用于模型的所有层）
  - 自我认知样本数 (`self_cognition_sample`)：500（用于自我评估的样本数量）
  - 模型名称 (`model_name`)：['刘文杰的代码助手', 'coding_assistant_of_Liu Wenjie']（这是模型的中文和英文名称）
- 模型作者 (`model_author`)：['刘文杰', 'Liu Wenjie']（模型的创作者的中英文名）

# 4 示例代码
## 4.1 微调过程
```python
import os

# 设置CUDA环境变量，指定使用的GPU
os.environ['CUDA_VISIBLE_DEVICES'] = '0'

from swift.llm import DatasetName, ModelType, SftArguments, sft_main

# 设置微调参数
sft_args = SftArguments(
    model_type=ModelType.qwen_7b_chat,  # 指定模型类型
    dataset=[
        DatasetName.alpaca_zh, 
        DatasetName.alpaca_en,
        DatasetName.code_alpaca_en,
        DatasetName.leetcode_python_en,
        DatasetName.codefuse_python_en,
        DatasetName.codefuse_evol_instruction_zh
    ],  # 使用的数据集列表
    train_dataset_sample=500,  # 训练样本数量
    eval_steps=20,  # 评估步数
    logging_steps=5,  # 日志记录步数
    output_dir='output',  # 输出目录
    lora_target_modules='ALL',  # LoRA目标模块
    self_cognition_sample=500,  # 自我认知样本数
    model_name=['刘文杰的代码助手', 'coding_assistant_of_Liu Wenjie'],  # 模型名称
    model_author=['刘文杰', 'Liu Wenjie']  # 模型作者
)

# 执行微调
output = sft_main(sft_args)
best_model_checkpoint = output['best_model_checkpoint']
print(f'best_model_checkpoint: {best_model_checkpoint}')
```

## 4.2 微调后的推理
```python
import os

# 设置CUDA环境变量，指定使用的GPU
os.environ['CUDA_VISIBLE_DEVICES'] = '0'

from swift.llm import InferArguments, infer_main

# 设置推理模型的检查点路径
best_model_checkpoint = '/mnt/workspace/output/qwen-7b-chat/v0-20240127-110246/checkpoint-20'

# 设置推理参数
infer_args = InferArguments(
    ckpt_dir=best_model_checkpoint,  # 模型检查点路径
    eval_human=True  # 设置为人类评估模式
)

# 执行推理
result = infer_main(infer_args)
```
# 5 推理效果

1. 提供高质量的代码生成：

![](image_1.png)

![](image_2.png)

![](image_3.png)

2. 具有自我认知：

![](image_4.jpeg)

3. 具有一定的多轮对话能力：

![](image_5.png)
