然后这个训练好的 R3NN 模型可以在给定一组示例的情况下在该 DSL 中合成程序。这个训练好的模型的输入是那个输入-输出调节向量，然后在该 DSL 扩展的集合上生成一个分布，该扩展很有可能是构建想要的程序所需的扩展。然后该分布会被采样，以在该 DSL 中导出程序，其中扩展的阶数是由该分布确定的，如对应的图中所示，atv直播，而且该系统会返回首个与该输入-输出示例一致的程序。

4 领域特定语言（DSL）

这个用于基于 API 的字符串转换的领域特定语言的句法如图 5 所示。该语言的顶级结构是 Concat 函数，其返回其参数子字符串 fi 的拼接（concatenation）。子字符串表达式 f 可以是一个常量字符串 s、输入字符串 v 或一个以 f 作为参数的 API 函数的结果。该 Concat 算子允许使用常量字符串来组成 API 调用。该 DSL 由 3 种 API 组成：正则表达式 API R、查找 API L 和转换 API T。

图 5：用于 API 组成的 DSL 的句法

5 用于搜索的神经架构

这种在 DSL 中程序上基于输入-输出示例的神经搜索使用了 [Parisotto et al., 2016] 中介绍的模型。首先，其输入-输出示例被编码成了一个固定长度的特征向量，atv，其目标是在输入和输出字符串之间获取共享的模式。然后这种示例表征会被传递给程序树（program tree）上的一个基于神经树（neural tree）的生成模型，该模型被称为 R3NN，可以用来生成所需的隐藏程序。我们提供了对这两种架构的高层面的概述。

　　本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]