早停通过在模型开始记忆训练数据中的噪声或不相关模式之前停止训练过程，从而防止深度学习中的过拟合。在训练过程中，模型最初通常会在训练数据和验证数据上都提升性能，但在某个点之后，验证性能可能会停滞或下降，而训练性能却继续提升。这种分歧表明模型正在过拟合。早停会监控一个验证指标（例如损失或准确率），并在该指标在预设的 epoch 数内停止改善时停止训练。这确保模型保留了泛化到未见数据的能力，而不是仅仅为了优化训练集。
该机制通过在训练期间维护模型在验证集上表现最佳时的检查点来工作。例如，如果您设置了 5 个 epoch 的“容忍度”（patience），训练将持续到验证损失连续五个 epoch 未能改善为止。此时，训练停止，模型会恢复到验证损失最低的那个 epoch 的权重状态。这种方法很有效，因为它不像 dropout 或权重衰减等其他正则化技术那样需要修改模型架构或损失函数。它还能适应特定的训练过程，根据观察到的性能自动调整停止点，这在数据集特性或模型行为在不同实验中有所差异时特别有用。
一个实际例子是训练用于图像分类的卷积神经网络（CNN）。如果没有早停，模型可能会因为过拟合而达到 98% 的训练准确率，但验证准确率只有 85%。有了早停，训练会在验证准确率稳定时停止，从而保留一个训练准确率例如为 92%、验证准确率例如为 88% 的模型。开发者通过将数据分成训练集、验证集和测试集来实现这一点，然后在 TensorFlow 或 PyTorch 等框架中配置回调函数来监控验证指标。关键的权衡在于选择 patience 值：值太低可能导致过早停止（欠拟合），而值太高则会不必要地延迟停止。如果调优得当，早停可以简化模型选择，并通过避免冗余的训练 epoch 来降低计算成本。