我正在使用resnet50对来自Kaggle数据集的花朵图片进行分类。我想澄清一些关于我的结果的问题。

 epoch  train_loss  valid_loss  error_rate  time   0    0.205352    0.226580    0.077546    02:01   1    0.148942    0.205224    0.074074    02:01

这是训练的最后两个epoch。正如你所见，第二个epoch显示出一些过拟合的迹象，因为训练损失明显低于验证损失。尽管存在过拟合，错误率和验证损失都在下降。我想知道尽管有过拟合，模型是否实际上有所改善。对于未见数据，是使用第0个epoch的模型还是第1个epoch的模型更好？谢谢！

回答：

遗憾的是，如今“过拟合”这个术语被滥用，用来形容几乎所有与次优性能相关的事物；然而，从实际角度来说，过拟合意味着非常具体的东西：它的典型特征是当你的验证损失开始增加，而你的训练损失继续减少时，即：

（图片改编自维基百科关于过拟合的条目）

显然，你的情况并没有发生这种现象；训练损失和验证损失之间的“差距”是另一回事（它被称为泛化差距），并不代表过拟合。

因此，原则上，你完全没有理由选择验证损失较高的模型（即你的第一个模型），而不是选择验证损失较低的模型（你的第二个模型）。