early_stopping(vali_loss, self.model, path)

根据代码片段的信息，`early_stopping`函数可能是一个用于提前停止训练的方法。它接收`vali_loss`（验证集的损失值）、`self.model`（模型对象）和`path`（保存模型的路径）作为参数。

在训练过程中，`early_stopping`函数可能会检查验证集的损失值是否在一段连续迭代中没有明显改善。如果损失值没有改善，它可能会触发停止条件，并将模型保存到指定的路径。

细节部分可能需要查看完整的代码实现来确定`early_stopping`函数的具体逻辑和实现方式。

相关问题

early_stopping(crossval_loss, net)

这段代码的作用是调用一个名为`early_stopping`的函数，传递交叉验证损失`crossval_loss`和网络模型`net`作为参数。

`early_stopping`函数的具体实现可能是一个提前停止训练的策略，当交叉验证损失达到一定程度时，停止进一步训练以防止过拟合。

在这个函数内部，可能会对交叉验证损失进行比较，与之前的最低损失进行比较。如果当前的交叉验证损失低于之前的最低损失，那么就更新最低损失，并保存当前的模型参数。如果交叉验证损失连续几次没有进一步降低，可能会触发提前停止训练的条件。

请注意，这段代码中的`early_stopping`函数的具体实现和功能是未知的，需要参考具体代码实现来了解其逻辑和功能。

my_early_stopping = EarlyStopping(monitor='val_loss', patience=10, verbose=1) 但实际收敛指标是val_activation_13_loss: 1.2988e-04 - val_activation_14_loss: 0.0065 ， my_early_stopping 是不是会起不到作用？

根据你提供的信息，如果 `val_activation_13_loss` 和 `val_activation_14_loss` 是你的实际收敛指标，而 `my_early_stopping` 中的 `monitor` 参数设置为了 `val_loss`，那么 `my_early_stopping` 是不会起到作用的。

因为 `my_early_stopping` 中的 `monitor` 参数指定了用于监视训练过程的指标，而 `val_loss` 是指模型在验证集上的损失，而不是 `val_activation_13_loss` 和 `val_activation_14_loss` 这两个指标。因此，`my_early_stopping` 无法正确监视模型的性能，可能会导致模型过早停止或持续训练，引起过拟合。

要解决这个问题，你需要将 `my_early_stopping` 中的 `monitor` 参数设置为 `val_activation_13_loss` 或 `val_activation_14_loss` 中的一个，这样 `EarlyStopping` 才能正确地监视模型的性能并在适当的时候停止训练。