我正在尝试训练一个 LSTM 网络，总共超过 200 个时期，隐藏层大小为 100，LSTM 层之后有 1 个密集层。我已经使用了 10 的批量大小。基本上，我很困惑为什么我得到的损失曲线（以 MAE 作为损失标准和 Adam 优化器）看起来与一个好的模型通常给出的非常不同。我认为可能的原因可能是训练发生在比理想情况更多的时期，并且它是欠拟合/过拟合，但我不确定如何识别相同的。
模型的损失曲线是 
我想确定模型是过度拟合还是欠切，以及是否需要减少训练时间（比如从 200 到 20？）。对此不熟悉，是否有任何具体点可以确定何时停止训练过程（例如基于此损失曲线）。感谢您在这方面的任何帮助。
过拟合：
该模型试图记住它所学的内容。因此，它无法对看不见的样本进行分类。
在过度拟合的情况下，验证准确度停止增加，验证损失也没有减少。
这意味着该模型不能再泛化自身以获得高于某个阈值的验证准确度。
因此，当 val_acc 在特定数量的时期内没有变化时，您可以停止训练。
欠拟合：
欠拟合意味着模型即使在学习之后也无法对任何样本进行分类。
当准确率和损失似乎是恒定的或者它们只围绕某个值时，模型应该停止训练。
在你的情况下：
train以及test 似乎同时减少的损失。测试曲线更早地变平。如果学习率降低，则可以处理。
提示：如果您使用的是 Keras，请尝试EarlyStopping回调。