在神经网络中，我们通常使用反向传播算法来训练模型。该算法的目的是通过计算误差函数关于参数梯度来更新网络参数，以最小化误差。 在一个神经网络总loss=loss1+loss2的情况下，我们需要确定如何反向传播和更新loss1。

1. 计算梯度

在反向传播过程中，我们需要计算每个参数关于总loss的偏导数，即梯度。对于总loss=loss1+loss2，我们可以将其拆分为两个部分，分别计算每个loss的梯度。

对于loss1，我们可以根据链式法则计算其梯度。假设L表示总loss，f表示神经网络的输出，y表示标签值，则有：

$$ frac{partial L}{partial w} = frac{partial L}{partial f} cdot frac{partial f}{partial w} $$

其中，w表示神经网络的参数，可以是权重或偏置项。对于loss2也可以按照上述方法计算梯度。

2. 反向传播

获得了梯度之后，我们需要进行反向传播。反向传播是指将误差从输出层反向传递到输入层，计算每个参数的梯度并更新它们。

对于网络总loss=loss1+loss2的情况，我们需要分别反向传播loss1和loss2。 对于loss1，我们可以将其梯度传递回网络中，并使用梯度下降法对相应的参数进行更新。类似地，我们可以反向传播loss2，并更新相应的参数。

3. 优化器调整参数

在更新完所有参数之后，我们需要考虑如何使用优化器进一步调整参数。优化器是一种用于自动调整超参数以提高模型性能的工具。

常用的优化器包括随机梯度下降（SGD）、Adam、Adagrad等。这些优化器可以根据梯度大小自动调整学习率，并采用不同的策略来更新参数。

4. 训练过程

在完成前面三个步骤之后，我们就可以开始训练神经网络了。在每个epoch中，我们会使用不同的数据集批次来计算总loss和各个loss的梯度，然后更新网络参数。

在训练过程中，我们需要注意一些问题，例如过拟合、欠拟合、学习速率等。过拟合是指模型在训练集上表现良好，但在测试集上表现较差。欠拟合是指模型无法拟合训练数据。学习速率是指模型在每次更新时调整权重的幅度。

为了解决这些问题，我们可以采用正则化、dropout等技术来防止过拟合；增加训练数据量来避免欠拟合；根据实验结果调整学习速率等。

总结起来，当一个神经网络的总loss=loss1+loss2时，我们需要计算每个loss的梯度，并进行反向传播和参数更新。在训练过程中，我们需要注意一些问题，并采用不同的技术和优化器来提高模型的性能。