這個不能一概論之的。

1.過擬合也分多種情況，1種是現在就這麼多情況，這個神經網路已經能對這麼多情況都給出正確答案了，那麼就算過擬合了，你也是沒辦法證明的，另外即然能工作，能窮盡，也不存在壞處。

2.是不是過擬合，和我們的神經網路模型和訓練集有關係，當二個的組合真的過擬合了，在訓練集上過工作的很好，在驗證集上就會出問題。現在有一些對訓練集的資料進行各種預處理的方式後，多次輸入，多次訓練。

3.過擬合這個問題目前來看，無法避免，訓練本身就是某種擬合的過程。如果將來在這個方面的數學原理或是使用上有質的突破，可能就會有機會解決。

首先，過擬合定義。

透過模型或者理解為函式，去擬合（表徵）資料的過程就是擬合的的過程。

形象的理解，平面座標系裡有很多點，找一根線（函式）來表示這些點的規律的過程就是擬合。

Y=aX + b

(x , y )是已知樣本點

( x , ?)是目標未知的樣本點

訓練模型或者找函式的過程就是找合適的a,b兩個引數的過程。

透過擬合好的高數，我們來預測未來的資料，當函式在已知的訓練樣本上擬合這些樣本點，擬合的很好，在未知的測試樣本上進行預測時，擬合的結果卻很差，即模型（函式）出現了過擬合現象。

回答題目。

對已知的訓練資料，模型越擬合精度越高，函式繪製的線描點描的越準確，這是必然。深度神經網路模型是否過擬合，要看模型在未知的測評資料集上表現出來的效能好壞。