在训练神经网络时，我通常绘制在验证数据上获得的准确度（验证准确度）作为网络性能的中间衡量标准——最终衡量标准是测试准确度。根据训练数据的大小，在单个 epoch 期间会测量一次或多次验证准确度。

通常，当验证准确度开始下降时，我会停止训练——这是过度拟合的迹象。

但是，对于大型数据集，我通常没有足够的计算能力来等待验证准确度下降。我只是在验证准确性（或验证损失）保持一段时间后停止训练，如下所示：

从技术上讲，我不知道该模型是否可以进一步改进，但假设它不会进一步改进是否合理？同样，这仅适用于可用计算能力有限的大型数据集。有了足够的计算能力，我可以等到验证准确度下降。