1 过拟合的概念

如上图所示，模型在训练时表现较好，在验证或测试时，表现较差，即表示过拟合。
过拟合的本质是模型对训练样本过度学习，反而失去泛化能力，当发现过拟合时，一般说明模型的拟合能力没问题，但是泛化能力需要提高。

2 欠拟合的概念

如上图所示，模型在训练时准确率不到30%就开始饱和了，拟合效果很差，在测试时拟合效果同样更差，这种情况称为欠拟合。

3 防止过拟合和欠拟合的方法

• 首先开发一个过拟合的模型，可以采取以下措施：

1.增加模型深度，添加更多层
2.让每一层变得更大，增加每一层的通道数或者神经元个数
3.训练更多轮数

• 当出现过拟合时，可以采取以下措施：

1.减少神经元个数，如采用Dropout，随机丢弃一些神经元
2.批归一化，有助于数据分布均匀分布，设置批归一化后学习率可以加大，对参数初始值不敏感，加快训练速度，使网络更加稳定，类似于Dropout

• 当模型不再过拟合时，再次调节超参数：

1.学习速率。 如果模型训练时，准确率或者损失变化缓慢，则需要调整学习率，越小的学习率，模型的准确率或者损失变化越慢
2.网络深度
3.隐藏层单元数，神经元个数或者卷积层通道数
4.训练轮数
5.增加训练样本，提高模型泛化能力
6.调节其他参数