VS Code用AI写代码：Codeium插件

文章目录

• • Codeium
  • chat
  • 代码生成

    Codeium

    Codeium是基于边缘计算的代码AI工具，提供超过70种编程语言的代码补全、对话、搜索等功能，相当霸道。

    在插件栏搜索到Codeium之后，需要科学上网安装，安装完成后会提示注册。注册之后，会弹出一个Token页面，并提供一组密钥，然后回到VS Code，按下Ctrl+Shift+P，输入Codeium:Provi...，并将复制的密钥填入。当VS Code下面出现欢迎字样时，就说明可以正常使用了。

    同时，点开左侧的{...}图标，也会看到CHAT和SEARCH中出现了内容，我们就可以跟他对话了。而且具体使用时，并不需要科学上网。

    chat

    Codeium是听得懂中文的，比如我问

    有没有什么好的激光雷达检校算法？

    他的回答如下，可以说十分靠谱了

    有几种常用的激光雷达校准算法可以考虑使用：

    点云匹配算法：这种算法使用激光雷达采集到的点云数据进行匹配，将多个扫描周期的点云数据对齐，从而校准激光雷达的姿态和内外参。

    地面平面提取算法：这种算法通过分析激光雷达扫描到的点云数据，提取地面平面信息，并利用地面平面的几何特征进行激光雷达的姿态校准。

    基于特征点的匹配算法：这种算法通过提取激光雷达扫描到的点云数据中的特征点（例如，角点、边缘点等），并利用这些特征点进行匹配，从而实现激光雷达的校准。

    非线性优化算法：这种算法通过建立激光雷达的数学模型，并利用非线性优化方法（如Levenberg-Marquardt算法）来最小化模型与实际观测数据之间的差异，从而实现激光雷达的校准。

    这些算法都有各自的优缺点，选择适合你特定需求和数据情况的算法是很重要的。同时，还可以考虑使用开源的激光雷达校准库，例如libpointmatcher和lidar-odom等，它们提供了一些常用的激光雷达校准算法的实现和工具。

    代码生成

    新建一个test.py文件，在注释中写下想要做的事情，然后Codeium会自动生成相关的代码，还挺像模像样的，唯一美中不足之处在于，他并不会自动导入相应的包。

    # 导入科学计算包
    import numpy as np
    # 创建一个函数，可以根据字符串的长度返回随机字符串
    def random_str(length):
        return ''.join(random.sample(string.ascii_letters + 
                                     string.digits, length))
    # 写一个斐波那契数列函数
    def fib(n):
        a, b = 0, 1
        for i in range(n):
            a, b = b, a+b
        return a
    

    但接下来让他写一个递归的斐波那契数列，就稍微有些无语了，给了个内存爆炸写法

    # 写一个递归斐波那契数列函数
    def fib2(n):
        if n == 0:
            return 0
        elif n == 1:
            return 1
        else:
            return fib2(n-1) + fib2(n-2)
    

    而且复杂的代码任务可能还是比较拉跨的

    # 写一个卷积神经网络
    class CNN:
        def __init__(self):
            pass
    # 创建粒子群算法
    class ParticleSwarm:
        def __init__(self):
            pass
    

    但是，如果用chat来生成，那么还是有点意思滴

    

    最终代码如下

    import random
    class Particle:
        def __init__(self, position, velocity):
            self.position = position
            self.velocity = velocity
            self.best_position = position
            self.best_fitness = float('inf')
    def fitness_function(position):
        # 定义适应度函数，根据具体问题进行定义
        return sum(position)  # 以求和为例
    def particle_swarm_optimization(population_size, num_dimensions, max_iterations):
        # 初始化粒子群
        swarm = []
        for _ in range(population_size):
            position = [random.uniform(-5, 5) for _ in range(num_dimensions)]
            velocity = [random.uniform(-1, 1) for _ in range(num_dimensions)]
            swarm.append(Particle(position, velocity))
        
        # 寻找全局最优解
        global_best_position = None
        global_best_fitness = float('inf')
        
        for _ in range(max_iterations):
            for particle in swarm:
                # 更新粒子速度
                for i in range(num_dimensions):
                    inertia = 0.5  # 惯性权重
                    cognitive_weight = 1.0  # 学习因子（针对个体最优）
                    social_weight = 1.0  # 学习因子（针对全局最优）
                    r1 = random.random()
                    r2 = random.random()
                    cognitive_component = cognitive_weight * r1 * (particle.best_position[i] - particle.position[i])
                    social_component = social_weight * r2 * (global_best_position[i] - particle.position[i])
                    particle.velocity[i] = inertia * particle.velocity[i] + cognitive_component + social_component
                # 更新粒子位置
                for i in range(num_dimensions):
                    particle.position[i] += particle.velocity[i]
                # 计算适应度
                fitness = fitness_function(particle.position)
                # 更新个体最优位置和全局最优位置
                if fitness  
    当然，在实际使用中，不幸报错了。