【技术实现步骤摘要】
技术介绍
1、本专利技术总体上涉及编程语言之间的基于神经网络的自动代码转换，并且更具体地涉及利用神经网络模型和上下文数据处理来通过在利用大型语言模型(llm)在编程语言转换中赋予控制来提高转换代码的准确性和效率。
2、传统地，微调预训练模型一直是代码转换任务中的主要内容，通常涉及将源代码转换为标准中间表示(ir)，诸如单静态分配(ssa)，并且训练模型以从该ir转换为目标语言。这种常规方法利用大量源代码片段和目标代码片段的语料库以通过梯度下降来重复更新模型，通常需要大量的标记示例来进行模型收敛。虽然在某些方面是高效的，但是这种方法具有显著的缺点，包括需要大的任务特定的数据集以及差的泛化和依赖训练数据的潜在误导特征的风险。此外，标准的基于ssa的ir虽然简化了代码以进行高效的数据流分析并促进了编译器优化，但通常会剥离对于理解原始代码的意图和逻辑至关重要的具有细微差别的语言构造。语言特定属性(诸如面向对象的编程元素)的这种损失以及合成变量的引入造成了显著的语义鸿沟(gap)，该语义鸿沟可能妨碍目标代码的可读性和可转换性。>
3、此外，大本文档来自技高网...
【技术保护点】
1.一种用于高效地将程序代码从源语言转换成目标语言的方法，所述方法包括：
2.根据权利要求1所述的方法，还包括接收作为所述输入的混合任务批次代码段以进行处理。
3.根据权利要求1所述的方法，其中所述应用所述静态分析还包括为每个输入代码段生成节点和对应的元数据。
4.根据权利要求1所述的方法，其中所述转换包括利用从所述静态分析导出的上下文相关转换来填充占位符。
5.根据权利要求1所述的方法，还包括利用来自源计算环境的运行时依赖关系数据来丰富所述IR。
6.根据权利要求1所述的方法，其中所述将所排序的任务转换成所...
【技术特征摘要】
1.一种用于高效地将程序代码从源语言转换成目标语言的方法，所述方法包括：
2.根据权利要求1所述的方法，还包括接收作为所述输入的混合任务批次代码段以进行处理。
3.根据权利要求1所述的方法，其中所述应用所述静态分析还包括为每个输入代码段生成节点和对应的元数据。
4.根据权利要求1所述的方法，其中所述转换包括利用从所述静态分析导出的上下文相关转换来填充占位符。
5.根据权利要求1所述的方法，还包括利用来自源计算环境的运行时依赖关系数据来丰富所述ir。
6.根据权利要求1所述的方法，其中所述将所排序的任务转换成所述目标语言包括适配所转换的代码段以符合目标计算环境的运行时约束，以使得能够在所述目标环境内执行所转换的程序。
7.根据权利要求1所述的方法，其中所述将所排序的任务转换成所述目标语言包括适配所转换的代码段以满足目标计算环境的特定性...
【专利技术属性】
技术研发人员：R·克里希纳普拉萨德，R·潘，V·N·帕武鲁里，M·默勒，S·辛哈，M·武科维奇，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。