根據(jù)設(shè)計(jì)圖編寫(xiě)計(jì)算機(jī)代碼是開(kāi)發(fā)人員為客戶構(gòu)建網(wǎng)站和移動(dòng)應(yīng)用程序而進(jìn)行的一項(xiàng)非常典型任務(wù),但編寫(xiě)代碼是一件非常煩悶和重復(fù)的事情,消耗程序員大量的時(shí)間和精力。Pix2code是一個(gè)端對(duì)端的深度學(xué)習(xí)模型框架,輸入圖像用戶頁(yè)面自動(dòng)生成代碼,正確率達(dá)77%。但Pix2Code模型由相對(duì)簡(jiǎn)單的算法組成,其使用的數(shù)據(jù)集也很小,無(wú)法投入真正的實(shí)際使用。本文首先對(duì)傳統(tǒng)代碼自動(dòng)生成技術(shù)和深度學(xué)習(xí)基礎(chǔ)理論進(jìn)行了探討,并試圖使用更復(fù)雜的算法和一些正則化方法改進(jìn)模型。Pix2code主要分三大模塊,使用卷積神經(jīng)網(wǎng)絡(luò)的視覺(jué)模型,使用長(zhǎng)短期記憶網(wǎng)絡(luò)的語(yǔ)言模型和解碼層,結(jié)合兩種算法的優(yōu)勢(shì)生成代碼。新算法在測(cè)試集的正確率從原始模型的77%提升到了85%。結(jié)果也表明:（1）殘差網(wǎng)絡(luò)的特征提取能力強(qiáng),使在視覺(jué)模型運(yùn)用了該算法以后整個(gè)系統(tǒng)的穩(wěn)定性有所提升,泛化能力增強(qiáng),但是測(cè)試集的正確率提升不太明顯。在沒(méi)有增加訓(xùn)練的輪數(shù)下訓(xùn)練集的正確率得到了比較大的提升,增加了系統(tǒng)以后提升的可能性。(2使用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)優(yōu)化視覺(jué)模型和解碼層以后,系統(tǒng)的魯棒性提升明顯,模型也變得更加穩(wěn)定,測(cè)試集的正確率大幅度提升。通過(guò)加入正則化也能減輕過(guò)... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 基于深度學(xué)習(xí)的代碼自動(dòng)生成研究進(jìn)展
        1.2.2 領(lǐng)域?qū)Ｓ谜Z(yǔ)言
    1.3 研究?jī)?nèi)容與創(chuàng)新點(diǎn)
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 創(chuàng)新性點(diǎn)
    1.4 論文組織安排
第2章 傳統(tǒng)代碼自動(dòng)生成理論
    2.1 引言
    2.2 傳統(tǒng)代碼自動(dòng)生成技術(shù)
        2.2.1 基于模板的代碼自動(dòng)生成
        2.2.2 基于模型驅(qū)動(dòng)的自動(dòng)代碼生成及技術(shù)
    2.3 傳統(tǒng)代碼生成理論的缺點(diǎn)
    2.4 本章小結(jié)
第3章 深度學(xué)習(xí)基礎(chǔ)理論
    3.1 引言
    3.2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論
        3.2.1 神經(jīng)元模型
        3.2.2 激活函數(shù)
        3.2.3 感知機(jī)與多層網(wǎng)絡(luò)
        3.2.4 損失函數(shù)和代價(jià)函數(shù)
        3.2.5 反向傳播算法
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 卷積層
        3.3.2 池化層
        3.3.3 全連接層
    3.4 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.4.1 長(zhǎng)期依賴(lài)問(wèn)題
        3.4.2 長(zhǎng)短期記憶網(wǎng)絡(luò)
    3.5 本章小結(jié)
第4章 基于深度學(xué)習(xí)的自動(dòng)代碼生成框架
    4.1 引言
    4.2 Pix2code代碼生成框架
        4.2.1 視覺(jué)模型
        4.2.2 語(yǔ)言模型
        4.2.3 解碼層
    4.3 其他深度學(xué)習(xí)代碼自動(dòng)生成系統(tǒng)
        4.3.1 代碼合成系統(tǒng)DeepCoder
        4.3.2 Sketch2code系統(tǒng)
    4.4 本章小結(jié)
第5章 模型評(píng)估和算法優(yōu)化研究
    5.1 引言
    5.2 實(shí)驗(yàn)環(huán)境和pix2code模型評(píng)估
        5.2.1 計(jì)算機(jī)環(huán)境
        5.2.2 實(shí)驗(yàn)數(shù)據(jù)的收集
        5.2.3 原始模型的評(píng)估
    5.3 視覺(jué)模型的算法優(yōu)化研究
        5.3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)演變
        5.3.2 ResNet網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果
    5.4 語(yǔ)言模型和解碼層算法優(yōu)化研究
        5.4.1 Bi-directional RNN和Bi-directional LSTM
        5.4.2 Bi-directional LSTM實(shí)驗(yàn)結(jié)果
        5.4.3 實(shí)驗(yàn)過(guò)程中的優(yōu)化
        5.4.4 結(jié)合實(shí)驗(yàn)
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]自動(dòng)代碼生成技術(shù)的發(fā)展現(xiàn)狀與趨勢(shì)[J]. 王博,舒新峰,王小銀,陳銳.  西安郵電大學(xué)學(xué)報(bào). 2018(03)
[2]淺析分層技術(shù)在計(jì)算機(jī)軟件開(kāi)發(fā)中的應(yīng)用與研究[J]. 褚洪波.  電腦迷. 2018(04)
[3]深層網(wǎng)絡(luò)中的梯度消失現(xiàn)象[J]. 周祥全,張津.  科技展望. 2017(27)
[4]Minimal Gated Unit for Recurrent Neural Networks[J]. Guo-Bing Zhou,Jianxin Wu,Chen-Lin Zhang,Zhi-Hua Zhou.  International Journal of Automation and Computing. 2016(03)
[5]Word2vec的工作原理及應(yīng)用探究[J]. 周練.  科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì). 2015(02)
[6]分層技術(shù)在計(jì)算機(jī)軟件開(kāi)發(fā)中的應(yīng)用效果分析[J]. 楊柯.  軟件. 2013(10)
[7]基于模型轉(zhuǎn)換的WEB代碼自動(dòng)生成[J]. 張海濱.  山東廣播電視大學(xué)學(xué)報(bào). 2013(03)
[8]基于.NET平臺(tái)的三層架構(gòu)軟件框架的設(shè)計(jì)與實(shí)現(xiàn)[J]. 高揚(yáng).  計(jì)算機(jī)技術(shù)與發(fā)展. 2011(02)
[9]基于XML和XSLT的模型驅(qū)動(dòng)構(gòu)架[J]. 於良偉,袁泉,霍劍青,王曉蒲.  計(jì)算機(jī)工程. 2010(06)
[10]BP算法分析與改進(jìn)[J]. 賈麗會(huì),張修如.  計(jì)算機(jī)技術(shù)與發(fā)展. 2006(10)

碩士論文
[1]基于FPGA的CNN自動(dòng)代碼生成設(shè)計(jì)與實(shí)現(xiàn)[D]. 王江峰.天津工業(yè)大學(xué) 2018
[2]UML語(yǔ)言自動(dòng)代碼生成的設(shè)計(jì)與研究[D]. 賀月.華北電力大學(xué) 2017



本文編號(hào)：3207944