在MindSpore中loss的使用

loss是模型训练中的一个重要指标，判断模型的准确率，下面介绍三种用法

1. 自定义loss function后还需自定义TrainOneStepCell，实现梯度计算时sens的个数和network的输出个数相同。

   net = Net()

   loss_fn = MyLoss()

   loss_with_net = MyWithLossCell(net, loss_fn)

   train_net = MyTrainOneStepCell(loss_with_net, optim)

   model = Model(net=train_net, loss_fn=None, optimizer=None)

   使用如上示例，可完成自定义一个可以返回多个值得loss函数

2. 使用MindSpore监控loss值

   主要步骤：首先自定义一个Callback。参考ModelCheckpoint的写法，此外再增加判断loss的逻辑。

   class EarlyStop(Callback):

   def __init__(self):

       self.loss = None

   def step_end(self, run_context):

        loss =  ****(get current loss)

        if (self.loss == None or loss < self.loss):

            self.loss = loss

            # do save ckpt

3. 使用loss实现早停功能。

   功能描述：当loss降到一定数值后，停止训练。

   可以自定义callback方法实现早停功能。

   class Early