过拟合（Overfitting）是指模型在训练数据上表现很好，但在未见过的数据（如验证集或测试集）上表现不佳的现象。在准确率和损失（loss）折线图上，过拟合通常有以下表现

准确率折线图上的表现：

1. 训练准确率持续提高：

• • 训练准确率随着训练的进行而持续提高，这通常是正常现象，因为模型在不断学习训练数据。

1. 验证准确率停滞或下降：

• • 如果模型过拟合，验证准确率会在某个点开始停滞不前，甚至开始下降。这是因为模型开始学习训练数据中的噪声和细节，而不是底层的数据分布。

1. 训练准确率与验证准确率之间的差距增大：

• • 随着训练的进行，如果训练准确率远高于验证准确率，并且这个差距持续增大，这通常是一个过拟合的迹象。

损失折线图上的表现：

1. 训练损失持续降低：

• • 训练损失通常会随着训练的进行而降低，因为模型在不断优化以减少预测误差。

1. 验证损失开始上升：

• • 如果模型过拟合，验证损失会在某个点开始上升。这是因为模型在训练数据上学习到了细节和噪声，导致其在未见过的数据上表现变差。

1. 训练损失与验证损失之间的差距增大：

• • 随着训练的进行，如果训练损失远低于验证损失，并且这个差距持续增大，这通常是一个过拟合的迹象。