Pytorch之欠拟合和过拟合 ​ 　　首先，我们需要区分训练误差（ training error）和泛化误差（ generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意⼀个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。而在机器学习上的模型应该关注降低泛化误差． 影响因素 模型复杂度 训练数据集的大小 ​ 　　⼀般来说，如果训练数据集中样本数过少，特别是⽐模型参数数量（按元素计）更少时，过拟合更容

引言 今天分享的内容有：首先聊聊深度学习中存在的过拟合、欠拟合现象，以及梯度消失、梯度爆炸等。其次，分享一个本人梳理的卷积神经网络、循环神经网络代码结构。 过拟合、欠拟合 模型的泛化能力是深度学习的一大问题，所谓泛化能力就是模型在训练数据集和测试数据集上的表现情况。泛化能力强的模型，在训练数据集和测试数据集上都具有良好的表现；泛化能力差的模型，往往在训练集上表现良好（或在训练数据集上表现也很差），同时，在测试数据集上的表现也同样差强人意。若泛化能力的模型主要分为两类：（1）如果在训练集表现差，在