On the Automatic Generation of Medical Imaging Reports实现的一点理解

因为电脑的问题所以没有跑成trainer.py，只好尝试debugger.py

这是这篇文章所做的模型结构

从主代码来看
首先是初始化参数

1. “–patience” 是用来初始化模型 torch.optim.lr_scheduler.ReduceLROnPlateau类，这个类的作用是当网络的评价指标不在提升的时候，可以通过降低网络的学习率来提高网络性能，而这里的“–patience”是用来监控迭代次数不超过多少次，也就是说，超过“–patience”次数之后评价指标还没有提升，则降低学习率。
2. “–mode”初始化为train表示对train_loss进行训练找到最佳的值
   其他的就不说了，都有注释。

args = parser.parse_args()
    args.cuda = torch.cuda.is_available()

    debugger = LSTMDebugger(args)
    debugger.train()

这里的debugger是一个LSTMDebugger类
而这个类继承了它的父类DebuggerBase类，所以它现在有父类和自己的方法。不知道什么是继承父类可以看一下
https://blog.csdn.net/qianmosolo/article/details/80247671

然后我们直接进入train()方法

def train(self):
    for epoch_id in range(self.start_epoch, self.args.epochs):
        train_tag_loss, train_stop_loss, train_word_loss, train_loss = self._epoch_train()
        val_tag_loss, val_stop_loss, val_word_loss, val_loss = self._epoch_val()

这里的start_ep