随着项数越来越多，函数的图形就更加复杂，多项式也更加的复杂。
如果利用多项式建造复杂模型，从仅仅一个常数至一个多次方函数，将会发现在线上的点会变得越来越多，这种逐渐接近样本点的过程叫做拟合。
欠拟合
使用的模型复杂度小于真模型的称为欠拟合，表现在数据上的情况就是Accuracy和Loss都不是很好：
过拟合
使用的模型复杂度大于真模型的称为过拟合，表现在数据上的情况就是训练的Loss和Accuracy都很好，测试上的Accuracy很差：
为什么需要测试？
如下图，是Accuracy和Loss随着训练数据的增加出现的现象。在一定数据量的时候，训练结果和测试的结果大致趋势是相同的，但是当数据量增加到一定量的时候，可以明显的看出测试结果出现较大的浮动。这种情况表明了并不是模型训练数据越多，得到的模型就会越好。
如何才能避免这种情况的发生，找到最好的模型？通过测试，发现结果出现较大偏差时，停止训练，根据以前的训练数据找到一个最好的模型。
应该将测试放在训练的什么位置，即什么时候测试？
1、每次经过几个batch时
2、每次完成一组epoch后
代码演示：
