在给定的代码中，参数start_ib_epoch用于控制从第几轮开始使用IB（Instance-Balanced）损失函数进行训练。具体来说，如果start_ib_epoch的值大于等于100，那么在训练的前100轮中将使用普通的交叉熵损失函数（CE）进行训练，而在第100轮及以后的轮次中将使用IB损失函数进行训练。
这样设计的原因可能是为了先让模型在前100轮中通过使用交叉熵损失函数进行训练，学习到一个相对合理的初始特征表示。然后，在第100轮之后，通过引入IB损失函数来进一步提升模型在类别不平衡数据集上的性能。这样做的目的是为了避免在初始阶段过度关注类别不平衡问题，从而可能导致模型在整体性能上的下降。
因此，根据给定的训练命令，模型在前100轮中使用交叉熵损失函数进行训练，然后从第100轮开始使用IB损失函数进行训练。
在训练过程中，当前轮的训练并没有直接借助上一轮的数据来训练。相邻两轮之间的训练是独立进行的，每一轮都使用当前轮次的数据进行训练。
在代码中，训练数据集通过train_loader加载，每个epoch都会遍历整个训练数据集进行训练。在每个epoch中，通过迭代train_loader中的数据批次，模型根据当前批次的输入数据和目标标签计算损失并进行反向传播优化。
具体来说，对于每个批次的数据，模型的前向传播计算输出，并使用当前批次的输出和目标标签计算损失。然后，通过调用loss.backward()计算损失相对于模型参数的梯度，并使用优化器（如SGD）根据梯度更新模型参数。这样，模型在每个epoch中都会使用当前epoch的数据进行训练，并逐渐优化模型参数以提高性能。
需要注意的是，虽然当前轮的训练不直接借助上一轮的数据，但优化器的状态会在每个epoch之间保持，这意味着模型在每个epoch中都会从上一个epoch的训练状态开始进行训练。此外，如果使用了学习率衰减等策略，这些策略可能会根据当前epoch的训练状态进行调整。
-
optimizer.zero_grad()：在每个批次的训练之前，调用zero_grad()方法将优化器中的梯度归零。这是因为PyTorch默认会累积梯度，所以在每个批次之前需要清除之前的梯度。 -
loss.backward()：调用backward()方法计算当前批次的损失相对于模型参数的梯度。这一步会自动计算梯度并将其存储在模型的参数中。 -
optimizer.step()：调用step()方法根据计算得到的梯度更新模型的参数。优化器会使用当前的学习率和梯度来更新模型参数，以最小化损失函数。
通过这样的优化器操作，每个批次的训练都会更新模型参数，并且优化器的状态会在每个epoch之间保持不变。这意味着模型在每个epoch中都会从上一个epoch的训练状态开始，并在当前epoch的数据上进行进一步的优化。
需要注意的是，这段代码中只展示了优化器的操作，而在完整的训练过程中可能还会包括其他操作，例如学习率调整、记录训练指标等。但是，这些操作并不会直接借助上一轮的数据来训练，而是在当前轮次的数据上进行的。
