将hrnet后面拼接胶囊网络构成一个新的模型，hrnet结构层执行sgd优化器和CrossEntropyLoss进行该层下 的权值优化，胶囊网络相关层执行adam优化器和MarginLoss训练该相关层的权值，要想实现这种在新模型下用两种损失函数更新策略优化训练模型该怎么写trian函数代码

要实现在新模型下使用两种不同的损失函数进行权值优化，可以按照以下步骤编写train函数的代码：

1. 定义模型结构：将HRNet和胶囊网络的层组合成一个新的模型。可以使用nn.ModuleList或者nn.Sequential来组合不同的网络层。

2. 定义优化器：创建两个优化器，一个用于HRNet结构层，另一个用于胶囊网络相关层。为HRNet优化器选择SGD优化器，并为胶囊网络相关层选择Adam优化器。

3. 定义损失函数：创建两个损失函数，一个用于HRNet结构层，另一个用于胶囊网络相关层。为HRNet结构层选择CrossEntropyLoss作为损失函数，并为胶囊网络相关层选择MarginLoss。

4. 进行训练循环：在每个训练迭代中，先使用HRNet的优化器和损失函数进行前向传播、计算损失和反向传播；然后使用胶囊网络的优化器和损失函数进行前向传播、计算损失和反向传播。

以下是一个示例代码，用于说明上述步骤：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义新模型结构
class NewModel(nn.Module):
    def __init__(self, hrnet, capsule_net):
        super(NewModel, self).__init__()
        self.hrnet = hrnet
        self.capsule_net = capsule_net
    
    def forward(self, x):
        hrnet_out = self.hrnet(x)
        capsule_net_out = self.capsule_net(hrnet_out)
        return capsule_net_out

# 创建HRNet和胶囊网络实例
hrnet = HRNet()
capsule_net = CapsuleNet()

# 创建新模型实例
new_model = NewModel(hrnet, capsule_net)

# 定义优化器
hrnet_optimizer = optim.SGD(hrnet.parameters(), lr=0.01)
capsule_net_optimizer = optim.Adam(capsule_net.parameters(), lr=0.001)

# 定义损失函数
hrnet_loss_fn = nn.CrossEntropyLoss()
capsule_net_loss_fn = MarginLoss()

# 训练循环
for epoch in range(num_epochs):
    for data, labels in dataloader:
        # 前向传播 HRNet
        hrnet_out = new_model.hrnet(data)
        hrnet_loss = hrnet_loss_fn(hrnet_out, labels)

        # 反向传播和优化 HRNet
        hrnet_optimizer.zero_grad()
        hrnet_loss.backward()
        hrnet_optimizer.step()

        # 前向传播 胶囊网络
        capsule_net_out = new_model.capsule_net(hrnet_out)
        capsule_net_loss = capsule_net_loss_fn(capsule_net_out, labels)

        # 反向传播和优化 胶囊网络
        capsule_net_optimizer.zero_grad()
        capsule_net_loss.backward()
        capsule_net_optimizer.step()

请注意，此代码仅为示例代码，实际情况可能需要根据你的具体模型和数据进行适当的修改。另外，HRNet和胶囊网络的具体实现和参数设置需要根据你的需求进行相应的更改。