一句话定义：早停（Early Stopping）是在训练模型的过程中盯住验证集（validation set）的表现，一旦它不再变好就主动收手，而不是把预设的训练轮数硬跑完。
为什么会需要它
训练一个模型时，数据通常被切成两份：训练集用来学，验证集用来"抽查"。随着训练进行，训练损失（training loss）几乎总是一路下降——模型越来越会做手头这些题。但验证损失（validation loss）往往先降后升，画出来是一条 U 形曲线。曲线最低点就是"已经学到规律、还没开始死记硬背"的时刻，再往下走就是过拟合（overfitting）：模型把训练样本的噪声和特例都背了下来，换一批新数据就露馅。
打个比方：你在备考，做题就是训练。一开始每刷一套题，模拟考成绩都在涨；刷到某个点之后，你开始记住的是"这套卷子第 7 题选 C"，而不是解题思路，模拟考成绩反而往下掉。模拟考就是验证集。连续几次模拟考都没进步，聪明的做法是合上书——这就是早停。
工程上怎么做
每训练若干轮（epoch）就在验证集上评估一次，记录表现最好的那版参数（checkpoint）。同时设一个"耐心值"（patience），比如 5：连续 5 次评估都没有刷新最好成绩，就停止训练，并回滚到最好的那一版。这样既不靠猜总轮数，也不会因为多跑了几百轮而白白烧算力。
和相邻概念的区别
| 方法 | 干预的是什么 | 代价 |
|---|---|---|
| 早停 | 训练时长 | 几乎为零，只需留出验证集 |
| L2 正则、AI 词典：Dropout">Dropout | 损失函数或网络结构 | 要调超参，且改变模型本身 |
| 数据增强 | 训练数据 | 采集与处理成本较高 |
三者常一起用。区别在于：早停不改模型、不改损失函数，只是决定"什么时候停"，所以被称作隐式正则化（regularization），是最便宜的防过拟合开关。
有一点容易踩坑：用来决定何时停的必须是验证集，不能是测试集（test set）。拿测试集反复挑"最好那一版"，测试成绩就不再可信，它只能在最后用一次。具体的数据划分比例没有统一标准，以项目和框架的官方文档为准。
对从业者的意义
它几乎是零成本的：不增加计算、不增加参数，通常还能省下一大截训练时间。在做超参搜索时，早停还能提前砍掉明显跑偏的试验。代价是要认真维护验证集划分，划分方式本身会影响结论。
对普通人的意义
早停说的是一件反直觉的事：投入更多不等于结果更好。项目做到收益递减、方案改到评审意见开始互相矛盾时，收手复盘往往比继续加码更值钱。判断标准也很朴素——别看"训练指标"（自己有多忙），看"验证指标"（真实的产出有没有变好）。