可以通过查看训练集和测试集的loss变化来判断。
一、loss的变化情况分为以下几种情况：
1.train loss 下降，val loss下降： 表明网络还在学习
2. train loss下降，val loss稳定：网络过拟合
3.train loss稳定，val loss下降：数据集有问题
4.train loss稳定，val loss稳定：可能已经收敛，或者学习遇到瓶颈，可以调小学习率试试
5.train loss上升，val loss上升：网络结构设计有问题，或者训练参数设置不当等，及时停止学习，调整代码
二、根据训练曲线判断是否收敛
1.欠拟合：欠拟合一般有两种典型表现
①loss曲线趋于水平或维持相对较高的loss值
②训练结束时，train loss依然持续减少，且val loss 有较大波动
2.过拟合：过拟合指的是模型对训练集学习的太好，导致网络泛化能力差，在验证集上反而效果不好。
3.模型收敛：train loss 下降趋于稳定，val loss 下降也趋于稳定，且train loss 的值与val loss 的值相差不大