HyperAIHyperAI

Command Palette

Search for a command to run...

LCC Java 大規模コードベースデータセット

日付

データセット構成

Microsoft Corporation

ライセンス

Other

LCC Java は、2023 年に Microsoft が公開した Java コードデータセットです。The Large Code Corpus(LCC)プロジェクトに由来し、コード理解、コード生成、コード補完などのタスク向けに高品質なコードコーパスを提供することを目的としています。

このデータセットには 120,000 件の Java コードサンプルが含まれており、データはオープンソースプロジェクトの実際の Java ソースコードから取得されています。また、訓練用データセット、検証用データセット、テスト用データセットに分割されています。各サンプルには主にコンテキストコードと対応するターゲットコードスニペットが含まれており、JSON 形式で格納されています。これらは、コード関連モデルの教師あり学習やシーケンスツーシーケンス(Seq2Seq)学習に使用できます。

データセットの構成

データセットは以下の 3 つの部分で構成されています:

  • 訓練用データセット(train):100,000 件のサンプル、約 1.61 GB。
  • 検証用データセット(validation):10,000 件のサンプル、約 131 MB。
  • テスト用データセット(test):10,000 件のサンプル、約 129 MB。

各サンプルには主に以下のフィールドが含まれます:

  • context:コンテキストコード。モデルにコードの背景情報を提供します。
  • gt:ターゲットコードスニペット。モデルが予測または生成すべきコードです。

AIでAIを構築

アイデアからローンチまで — 無料のAIコーディング支援、すぐに使える環境、最高のGPU価格でAI開発を加速。

AI コーディング補助
すぐに使える GPU
最適な料金体系

HyperAI Newsletters

最新情報を購読する
北京時間 毎週月曜日の午前9時 に、その週の最新情報をメールでお届けします
メール配信サービスは MailChimp によって提供されています