在MAGNet中使用回調函數可以通過自定義回調函數類來實現。下面是一個簡單的示例代碼，展示如何在MAGNet中使用回調函數監控訓練過程：

import torch
import ignite
from ignite.engine import Events, create_supervised_trainer, create_supervised_evaluator
from ignite.metrics import Loss

class CustomCallback:
    def __init__(self):
        self.metrics = {
            'loss': Loss(torch.nn.CrossEntropyLoss())
        }

    def attach(self, engine):
        for name, metric in self.metrics.items():
            metric.attach(engine, name)

    def update(self, engine, batch):
        inputs, targets = batch
        outputs = engine.state.model(inputs)
        loss = engine.state.criterion(outputs, targets)
        return loss, outputs, targets

    def on_iteration_completed(self, engine):
        for name, metric in self.metrics.items():
            metric.update(engine.state.output)

    def on_epoch_completed(self, engine):
        for name, metric in self.metrics.items():
            print(f'{name}: {metric.compute()}')

train_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True)

model = MyModel()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = torch.nn.CrossEntropyLoss()

trainer = create_supervised_trainer(model, optimizer, criterion)
evaluator = create_supervised_evaluator(model, metrics={'accuracy': Accuracy()})

callback = CustomCallback()
callback.attach(trainer)

@trainer.on(Events.ITERATION_COMPLETED)
def log_training_loss(engine):
    callback.on_iteration_completed(engine)

@trainer.on(Events.EPOCH_COMPLETED)
def log_epoch_metrics(engine):
    callback.on_epoch_completed(engine)

trainer.run(train_loader, max_epochs=num_epochs)

在這個示例代碼中，我們定義了一個名為CustomCallback的類來管理監控訓練過程的邏輯。我們創建了一個trainer引擎，并在每個iteration結束和每個epoch結束時調用CustomCallback中定義的方法來更新監控指標并打印結果。

需要注意的是，ignite提供了許多預定義的事件（Events），可以用來注冊回調函數來監控訓練過程中的不同階段。在這個示例中，我們注冊了ITERATION_COMPLETED和EPOCH_COMPLETED兩個事件，分別在每個iteration和每個epoch結束時調用相應的回調函數。

通過自定義回調函數類和注冊回調函數來監控訓練過程，我們可以靈活地在MAGNet中實現監控邏輯，方便地獲取訓練過程中的指標和結果。