2021SC@SDUSC
我们的研究课题是《知识图到文本的生成》（原文：《Text Generation from Knowledge Graphs with Graph Transformers》），首先我们组在下载好代码和论文后，进行了论文的阅读。
文章提出了一个新的图转换编码器，该编码器成功地将序列变换器应用于图结构化的输入，展示了IE输出如何形成为一个连接的、未标记的图形，以用于基于注意力的编码器。提供了与科学为本匹配的大的知识图谱数据集。
阅读完成之后，我们在下载后的代码中了解到了该项目所需的环境为Python 3.6+Pytorch，而GPU可以加速深度学习的计算和代码运行，于是还要配置CUDA与cuDNN。以下是详细内容。
一、安装Python首先进入Python的官网下载网址：https://www.python.org/downloads/windows/。然后选择合适的版本进行下载，下载与安装过程不在此多赘述。以下是安装后的Python：
二、CUDA与cuDNN安装由于我的电脑支持10.2版本，所以我安装的版本是10.2的CUDA。
在官网下载以后进行安装，安装过程不再赘述，以下是安装后的结果。
之后进行了cuDNN的压缩包下载，解压之后安装，再根据版本在电脑中配置环境变量。过程略。以下是我配置后的结果：
三、Pytorch框架安装根据自己电脑的版本，我进入了官网，复制了安装代码，进行安装。以下是安装过程与结果：
四、代码分析前的准备工作
在阅读论文后，我们小组进行了第一次工作会议。会议中大家一起总结了论文中的算法实现过程，根据我们对论文的理解，初步进行了代码分析的分工。论文大致包括了训练、生成、实验评估的应用流程，这个算法包含了一份数据集和6个.py的文件，代码流程大致为数据预处理、编码器、解码器、实验评估。我们小组成员浏览完代码后作出了初步的分工决定。后面我将分析train.py、lastDataset.py、pargs.py中的核心代码与关键代码，即应用流程中的训练过程。
