詳細解釋
早停法（Early Stopping）是防止過擬合的訓練策略，在驗證集性能不再改善時停止訓練，避免模型過度擬合訓練數據。
運作機制：
- 監測指標：驗證集損失或準確率（不能用測試集！）
- 耐心參數（Patience）：連續多少輪無改善後停止
- 檢查點：保存驗證性能最佳時的模型
- 恢復最佳：訓練結束後載入最佳模型而非最後模型
實施步驟：
- 每個輪結束後在驗證集評估
- 如果性能改善，保存模型並重置耐心計數
- 如果性能未改善，增加耐心計數
- 耐心計數達到閾值時停止訓練
- 載入最佳檢查點作為最終模型
優勢：
- 防止過擬合：避免訓練過度
- 節省資源：不必預設固定輪數
- 自動化：無需手動監測和停止
- 效果顯著：通常優於固定輪數
注意事項：
- 使用驗證集：絕對不能用測試集決定早停
- 耐心選擇：太小可能過早停止，太大浪費計算
- 學習率調度：可結合學習率衰減
- 波動處理：驗證指標可能有噪聲，考慮平滑
與正則化的關係：
- 正則化：在損失函數添加懲罰
- 早停：限制訓練時間（間接限制模型複雜度）
- 兩者可結合使用
現代框架支援：
- PyTorch：EarlyStopping類
- TensorFlow/Keras：EarlyStopping callback
- Lightning：EarlyStopping內建
- 所有主流框架都支援
早停法是深度學習訓練的標準最佳實踐。