深度学习中的过拟合是指模型对训练数据变得过度专业化，从而失去了对新的、未见过的数据进行泛化的能力。这种情况通常发生在模型学习了训练集特有的模式（包括噪声或随机波动），而不是捕获广泛适用的潜在关系时。例如，一个具有过多层或参数的神经网络可能会“记忆”训练样本，而不是学习有意义的特征，这导致其在训练数据上表现出高精度，但在测试时性能不佳。过拟合通常是模型复杂性与数据可用性之间不平衡的结果：过度复杂的模型在有限数据上训练时尤其容易出现这个问题。
一个常见的例子是在小型图像数据集上训练卷积神经网络（CNN）。假设您构建了一个具有许多层和过滤器的 CNN 来对猫和狗进行分类。如果数据集只有几百张图像，模型可能会开始识别训练图像独有的特定像素或背景元素（例如，猫照片中的特定沙发），而不是学习皮毛纹理或耳朵形状等通用特征。同样，在自然语言处理中，文本分类模型可能会通过将训练数据中的罕见词与特定标签关联起来而发生过拟合，即使这些词与实际任务无关。训练过多的 epoch 也会加剧过拟合，因为模型会不断微调自身以更紧密地拟合训练数据，即使它已经捕获了有用的模式。
为了检测和缓解过拟合，开发人员使用验证数据集、正则化和 dropout 等技术。例如，将数据分成训练集、验证集和测试集有助于监测性能差距：训练集和验证集精度之间的巨大差异表明存在过拟合。L1 或 L2 等正则化方法会惩罚模型中过大的权重，阻止其过度依赖特定特征。Dropout 层在训练期间随机停用神经元，迫使模型学习冗余和鲁棒的特征。数据增强（例如旋转图像或给文本添加噪声）可以人工扩展数据集的多样性，减少对特殊训练样本的依赖。平衡模型复杂性与数据量，并使用早期停止（当验证性能趋于稳定时停止训练）也是有效的策略。