我们构建了一个loss函数 loss = loss_fn(input, target) 但在训练过程中，我们遇到了正负样本数量不均衡的问题，此时我们可能会尝试一些bootstrap的方法 请实现以下函数： def bootstrap_loss(input, target, loss_fn, K, loss_thresh): 1. Input和target的size均为 (n,), loss_fn(input, target)的输出也为 (n,) 2. K为最少取值的点数，loss_thresh为阈值，loss大于阈值的都需要进行计算 另外，请回答以下问题 1. 这个bootstrap函数具体起到了什么作用？请结合K和loss_thresh进行回答

下面是Python代码实现：

import numpy as np

def bootstrap_loss(input, target, loss_fn, K, loss_thresh):
    # 将input和target合并成一个矩阵
    data = np.column_stack((input, target))
    bootstraps = []
    for i in range(len(data)):
        # 随机选择K个样本
        samples = np.random.choice(data, K, replace=True)
        # 计算loss
        loss = loss_fn(samples[:, 0], samples[:, 1])
        # 如果loss大于阈值，则保存这个bootstrap样本
        if loss > loss_thresh:
            bootstraps.append(samples)
    # 将所有保存的bootstrap样本合并成一个矩阵
    if len(bootstraps) > 0:
        bootstraps = np.vstack(bootstraps)
    else:
        bootstraps = None
    return bootstraps

这个bootstrap函数的作用是通过对样本进行有放回的随机抽样，生成一系列bootstrap样本，用于增加数据量和样本的多样性。具体地，它会从原始数据中随机选择K个样本，计算它们的loss值，如果loss大于阈值，则将这个bootstrap样本保存下来。最后，将所有保存的bootstrap样本合并成一个矩阵并返回。

K和loss_thresh是这个函数的两个重要参数。K表示每个bootstrap样本中的样本数量，它越大，bootstrap样本的多样性就越低，但是计算量也会增加。loss_thresh表示loss的阈值，如果loss小于等于这个阈值，则不需要进行bootstrap采样，直接使用原始数据进行训练。如果loss大于这个阈值，则进行bootstrap采样，并将所有的bootstrap样本合并起来，增加数据量和样本的多样性。因此，K和loss_thresh的选择需要根据具体的数据集和模型来确定，需要在训练过程中不断调整。