tensorflow过拟合和欠拟合

首先参照官网对于过拟合和欠拟合的解释（英文版）：

过拟合（overfitting）。这个术语是指一个模型与训练样本太过匹配了，以至于用于验证和检测组时无法产生出好的结果。出现过拟合的表现是一个模型在训练集能达到 100% 或 99% 的准确度，而在测试数据上却只有50%。

这里面有一句话很重要：

Always keep this in mind: deep learning models tend to be good at fitting to the training data, but the real challenge is generalization, not fitting.

永远记住这一点：深度学习模式往往适合训练数据，但真正的挑战是泛化，而不是拟合。

一般来说：损失函数的值应该是逐渐减小的。

当对于训练集的accuracy > 测试集的accuracy时，可能是过拟合了，

当然，有这样一种理解：参照官网的教程：

随着训练次数的增多，大的数据训练模型比小的数据训练模型更容易过拟合，就是说，如果模型选择的是小型的，就可以稍微偏大一点设置训练的次数epochs，但是如果，模型是偏大一点的模型，那训练的次数就要降下来。

具体多大的模型划分大小，要参考我上面给的官方链接文档。