1. 过拟合的判断
过拟合是模型 “记住” 训练数据但泛化能力差的现象，核心判断方式是同步打印训练集和测试集的指标：
正常情况：训练集、测试集的损失（Loss）同步下降，准确率（或其他指标）同步上升；
过拟合情况：训练集损失持续下降、准确率持续上升，但测试集损失停止下降甚至上升、准确率停止提升。
2. 模型的保存和加载
PyTorch 中模型保存 / 加载有 3 种常见方式：
a. 仅保存权重（最常用）
保存：仅保存模型的参数（state_dict），文件小、灵活；
加载：需先初始化模型结构，再加载权重；
b. 保存权重和模型
保存：直接保存整个模型对象（包含结构 + 权重）
加载：直接加载模型
c. 保存全部信息（checkpoint）
保存：包含模型权重、优化器状态、训练轮数、损失等训练状态，支持 “断点续训”
加载：恢复模型 + 优化器状态，继续训练
3. 早停策略
早停是防止过拟合的常用方法：当测试集损失连续 N 轮不再下降时，提前停止训练。
核心逻辑：
记录当前最优测试集损失；
每轮训练后对比新的测试集损失；
若连续patience轮损失未下降，则停止训练。
作业：
@浙大疏锦行
