📝 DAY 37 早停策略与模型权重保存
一、怎么判断模型过拟合？
过拟合就是模型在训练集表现特别好，但在测试集表现变差的情况。
- 方法：同时打印训练集和测试集的指标（比如损失、准确率）
- 信号：训练集损失持续下降，测试集损失先降后升，两者差距越来越大 → 过拟合了！
二、模型保存的 3 种方式
根据不同需求，选不同保存方法：
| 方式 | 保存内容 | 优点 | 适用场景 |
|---|---|---|---|
| 仅保存权重 | 只存模型参数（轻量级） | 文件小、加载快 | ✅ 模型部署（推理）、跨设备迁移 |
| 保存权重 + 模型结构 | 连模型结构一起存 | 加载后直接用，不用重写网络结构 | ✅ 快速验证、代码共享 |
| 保存全部信息（Checkpoint） | 权重 + 模型结构 + 优化器状态 + 当前 epoch 数 | 支持断点续训 | ✅ 长时间训练、意外中断后继续训练 |
💡 对应文件后缀：
- 仅权重 / 权重 + 结构：
.pth - Checkpoint（断点续训）：
.ckpt - 跨框架迁移（比如给 TensorFlow 用）：导出为
.onnx格式
三、早停策略（防止过拟合的神器）
早停就是在模型开始过拟合前，提前结束训练，不用跑完所有 epoch。
核心逻辑
用 patience（耐心值）和 counter（计数器）来监控测试集损失：
patience：允许测试集损失连续多少轮不改善的最大次数counter：当前连续没改善的轮数
不同情况怎么处理？
| 测试集损失趋势 | counter 状态 | 早停是否触发 | 训练结果 |
|---|---|---|---|
| 持续下降 | 始终为 0 | ❌ 不触发 | 一直训练到设定的 num_epochs 轮结束 |
| 稳定 / 波动（没超过 patience） | 小于 patience | ❌ 不触发 | 继续训练，再观察几轮 |
上升且连续 patience 轮没改善 |
等于 patience | ✅ 触发 | 提前终止训练，保存当前最好模型 |
四、一句话速记
- 过拟合判断：看训练集和测试集指标差距
- 保存选择 ：部署用
.pth权重，续训用.ckpt断点，跨框架用.onnx - 早停逻辑 ：测试集损失连续
patience轮不改善，就停！