如果不了解更多关于模型的信息，也不了解所使用的数据，很难准确而严谨地回答这些问题。除此之外，您提供的值会让人认为它是一个合理的模型，不一定会过度拟合训练数据。

对于您的第二个问题，我的第一条行动始终是绘制每个时期（迭代）的训练和测试准确性，然后看看曲线是如何发展的。我一般希望看到一条测试曲线能遮住训练曲线，总是低一点。这是一张图表，上面有一个简短的解释，摘自斯坦福大学令人惊叹的cs231n课程。

图片来源

课程主页

所有材料和视频讲座都是免费提供的，这将是您在研究深度学习主题时提高理解力的好地方。

过拟合是逐渐发生的事情，所以有时很难说。此外，模型是否“好”在很大程度上取决于上下文。如果您的模型需要 99% 的准确度才能在生产中使用，那么这些值就不是“好”的。

但是，您显示的训练和测试损失值、准确性对我来说并不表示过度拟合的问题。看到训练值和测试值之间的性能略有下降是正常的。不仅如此，如果测试性能仍然优于任何其他测试性能，训练和测试之间的差异通常是可以接受的。

缺少的一个重要细节是测试数据的大小。报告的准确性只是一个估计值，您的测试集越小，从中得出结论的可靠性就越低。

为了更好地检测过拟合，您可以绘制损失指标与 epoch 数的学习图。如果你看到这样的东西（来自过度拟合的维基百科页面）：

其中蓝线是您的训练损失，红线是您的测试损失。然后你可以看到，在警告标志之后，过度拟合已经成为一个问题。

这种学习行为，在发生过度拟合之前具有最佳的 epoch 数，是早期停止是训练中常用方法的一个原因。