在采用面向英特尔® 架构优化的 TensorFlow 的基础上，由人工智能驱动的 Embold 智能静态代码分析工具通过调优 GPT-2 模型进一步提升了性能。
数十年来，由规则驱动的静态代码分析已深入软件行业。在软件投入生产环境之前， 静态代码分析有助于在开发阶段识别潜在的软件质量问题。此类分析可检测设计问题， 并帮助改善程序的可维护性、可复用性、功能、运行时行为和可移植性。
与此同时，新一代工具正在不断涌现，它们利用机器学习来减少对靠规则驱动的静态代码分析的依赖。英特尔® AI Builder 成员 Embold 利用其专有的人工智能 (AI) 推荐引擎来分析代码，并高效地返回丰富的洞察。
Embold 代码分析
对于操作系统 (OS) 开发过程中发生的日常软件错误，超过 50% 都曾经发生过并且已经有人修复。其中涉及了大量历史数据，开发人员可以利用这些数据来简化其复杂且耗时的重构与调试工作。
Embold 是一款人工智能驱动的智能静态代码分析应用。该工具利用历史数据，将过去的漏洞和代码错误信息转化可以推进软件开发的知识来源。
Embold 能够扫描用多种语言编写的代码，包括：
• C、C++、Objective C、C#
• Java、Python、JavaScript
• Typescript、GO 等
为 Java 等语言生成的语言模型有助于在四 (4) 个关键领域执行分析：代码度量、设计问题、重复和代码问题。Embold 可以在软件投入使用之前就检测出设计问题，帮助改善代码。借助深度学习，Embold 能够从过去的提交历史中学习，识别反复出现的漏洞并提供修复方法。Embold 人工智能模型可帮助大型团队显著提高软件开发的效率。
Embold 利用英特尔® 人工智能技术进行的优化使训练速度提升多达 2.25 倍1
Embold 的推荐引擎在 OpenAI 的生成式预训练转换器 2 (GPT-2) 模型上进行训练。GPT-2 是一种自回归语言模型，利用深度学习生成类似人类所写的文本2。
英特尔的人工智能团队与 Embold 合作，使用 Embold 的 17 MB 训练数据集来优化应用的模型。团队在优化方案中集成了面向 英特尔® 架构优化的 TensorFlow，在第二代英特尔® 至强® 金牌 6252 处理器上进行训练，并运行了一次基线基准测试。然后再针对 GPT-2 124 M 参数模型进一步调优了以下参数。
• KMP_AFFINITY = compact
• KMP_BLOCKTIME = 0
• Scaling governor = performance
• OMP_NUM_THREADS = 48
这些额外的参数优化为 Embold 工作负载带来了出色的结果。与基线优化配置相比，Embold 性能提升多达 2.25 倍。每步的训练时间保持稳定；因此，优化带来的增益将在训练模型收敛时保持不变。
训练速度的提升有利于加速解决方案部署。
在英特尔® 至强® 金牌 6252 CPU (2.10 GHz) 上使用面向英特尔® 架构优化的 TensorFlow 的 GPT-2 训练时间
结论
数十年来，静态代码分析工具已广泛应用于代码开发。人工智能 驱动的 Embold 分析器可帮助开发人员更快速、更高效地构建 应用。通过将面向英特尔® 架构优化的 TensorFlow 集成到 Embold 推荐引擎中并进行额外优化，与未优化的模型相比，训练运行速度提高多达 2.25 倍，使解决方案能够快速部署。
有关 Embold 的更多信息，请访问 embold.io
有关英特尔® AI Builders 计划的更多信息，请访问 builders.intel.com/ai
Embold 是一款通用的静态代码分析器解决方案，能够识别并推荐有效的解决方案来优化代码质量。Embold 得分从四个维度进行计算，可指示哪些组件问题会对整体质量产生重大影响、需要优先解决。Embold 使用机器学习来丰富其静态代码分析功能。