如何识别过拟合现象？
观察损失曲线：训练集损失持续下降，但是测试集（验证集）损失先下降，达到最低点之后开始上升；同时模型在训练集上准确率很高，在测试集上效果明显变差，就说明出现了过拟合。
为了避免过拟合，训练应该在哪个Epoch停止？
在测试（验证）损失达到最小值对应的Epoch停止训练，也就是测试损失即将由降转升的临界点。这就是早停法的核心依据。
除了早停法，还有哪些避免过拟合的方法？
正则化：L1、L2权重正则化
Dropout：训练时随机让一部分神经元失活
增加训练数据、数据增强
简化网络结构，减少网络参数
加入噪声、批量归一化（BatchNorm）
如果你想要更简短精简