论文的数据集和代码是开源的：https://zenodo.org/record/3373409#.YrpiEBVBxHW。文章的动机是避免源代码的中间表示，将源代码表示为图像，直接提取代码的语义信息，以提高缺陷预测的性能。首先，请参阅下图中显示的动机示例。在File1.java和File2.java这两个例子中，虽然都包含1个if语句，2个for语句，4个函数调用，但是代码的语义和结构特征是不同的。为了验证将源码转换成图像是否有助于区分不同的编码，作者做了一个实验：将源码根据字符的ASCII十进制数映射到像素点，排列成像素矩阵，图像获得了源代码。作者指出，不同的源代码图像存在差异。Fig.1MotivationExample文章的主要贡献如下：将代码转换为图像，并从中提取语义和结构信息；提出了一种端到端的框架，结合自注意力机制和迁移学习来实现缺陷预测。本文提出的模型框架如图2所示，分为源代码可视化和深度迁移学习建模两个阶段。图2框架1。SourceCodeVisualization文章将源代码转换为6张图片，过程如图3所示。将源代码字符的十进制ASCII码转换为8位无符号整数向量，将这些向量按行列排列，生成图像矩阵。8bit整数直接对应灰度级。为了解决原始数据集小的问题，作者在文章中提出了一种基于颜色增强的数据集扩展方法：对R、G、B三个颜色通道的值进行排列组合，生成6彩色地图。这里看起来很混乱。改变通道值后，语义和结构信息应该改变，对吧？但作者在脚注中进行了解释，如图4所示。图3源代码可视化过程图4文章脚注22.深度迁移学习建模文章使用DAN网络来捕获源代码的语义和结构信息。为了增强模型表达重要信息的能力，作者在原有的DAN结构上增加了一个Attention层。训练和测试过程如图5所示，其中conv1-conv5来自AlexNet，四个全连接层fc6-fc9作为分类器。作者提到，对于一个新项目，训练一个深度学习模型需要大量的标注数据，难度很大。因此，作者首先在ImageNet2012上训练了一个预训练模型，将预训练模型的参数作为初始参数，对所有的卷积层进行fine-tune，从而减小码图与ImageNet2012中图像的差异.Fig.5训练和测试流程3.模型训练和预测为Source工程中有标注代码和Target工程中无标注代码生成代码图像，同时发送给模型；两者共享卷积层和注意力层来提取各自的特征。计算全连接层中Source和Target之间的MK-MDD（MultiKernelVariantMaximumMeanDiscrepancy）。由于Target没有标签，因此只计算Source的交叉熵。该模型使用小批量随机梯度下降沿损失函数进行训练。对于每个
