当出现已定义的类、函数、模块和变量时，基本补全就会启动。
此外，PyCharm 也提供智能补全等其他补全功能，但基本上都需要对已有文本进行搜索，根据位置和类型判断补全的方法。这些方法都没有配置机器学习模型。
Pycharm 的自动补全介绍：https://www.jetbrains.com/help/pycharm/auto-completing-code.html
深度学习怎样脑补缺失 TF 代码
最常用的 PyCharm 自动补全也能省很多功夫，但它需要 IDE 能检索到你的代码文件或库，而且补全会提供多个可能的选项。但是在本项目实验的工具中，LSTM 会根据上下文语义确定最可能调用的函数，因此它能节省更多的成本。作者表示如果使用束搜索，那么一次能预测 10 多个字符，不过这样对于实际使用还是有点低效。
在训练深度补全模型前，我们需要先建立训练集。开发者会在清洗评论、标注和空行后，构建比较干净的 Python 代码。然后，模型会在这些数据上进行训练与预测。在数据预处理上，开发者发现通过 tokenizing Python 代码，模型效果比通过 BPE 编码的字符级预测效果还要好。作者提供了一个简单的预训练模型，它是在整个 TensorFlow 项目的 models 代码中训练的。
下图就是作者在验证集中测试的验证样本。绿色的字符表示自动补全的起始位置，用户需要按下 Tab 键选择开始补全。绿色及后面高亮的灰色字符是自动补全的结果。
如上所示为验证样本中的自动补全效果。与代码生成类似，粗略看起来，似乎效果非常不错，但实际上会有很多不合理的地方。不过有意思的是，自动补全中所有字符串都只有一个占位操作，这也是非常合理的处理方法。
样本中自动补全的起始和结束位置都是随机的，也就是说代码可能补全到「tensorfl」就结束了，并不会补全完整的标识符「tensorflow」。这在实际场景中用处非常有限，因此作者将生成结束位置限制为终止 token 而修复问题。目前自动补全能完成多种 operator，且当我们增加束搜索的长度时，它完成的代码长度会更多。
整个模型的主体都是 LSTM，它在 TensorFlow 模型代码库训练后能捕捉非常丰富的 TensorFlow API。如下所示为自动补全模型的主体代码，基本上简单的一个 LSTM 就能搞定：
网友评价
项目开源后，有些网友对作者提出了质疑：
「我们已经有很多很好用的自动补全工具了，比如 kite（一个可以在 IDE 上使用的插件），为什么还要费心搞个机器学习模型？」
在讨论中，有人提出，一些无良的自动补全工具会悄悄上传代码到他们的服务器中，（而自行训练的深度学习模型不存在这个问题）。
也有人提出，其实不一定要用 LSTM 模型，隐马尔科夫模型在处理序列数据上效果也很好。
总结
这次面试问的还是还是有难度的，要求当场写代码并且运行，也是很考察面试者写代码
因为Android知识体系比较庞大和复杂的，涉及到计算机知识领域的方方面面。在这里我和身边一些朋友特意整理了一份快速进阶为Android高级工程师的系统且全面的学习资料。涵盖了Android初级——Android高级架构师进阶必备的一些学习技能。
附上：我们之前因为秋招收集的二十套一二线互联网公司Android面试真题（含BAT、小米、华为、美团、滴滴）和我自己整理Android复习笔记（包含Android基础知识点、Android扩展知识点、Android源码解析、设计模式汇总、Gradle知识点、常见算法题汇总。）
里面包含不同方向的自学编程路线、面试题集合/面经、及系列技术文章等，资源持续更新中…
图片转存中…(img-GlK4hRSH-1643890223625)]
里面包含不同方向的自学编程路线、面试题集合/面经、及系列技术文章等，资源持续更新中…
