过拟合是模型在训练集上准确率极高（比如接近100%），但在测试集上表现很差，相当于“死记硬背”了训练数据中的随机噪声。欠拟合则是模型连训练集都学不好，准确率低，说明模型能力不足或训练不充分。简单判断：训练误差低但验证误差高 = 过拟合；两者都高 = 欠拟合。新手常犯的错误是追求训练集完美，忽视验证集表现。

模型参数多意味着“容量”大，理论上可以拟合任意复杂的函数。但训练数据有限时，参数过多的模型会利用多余的自由度去适配数据中的异常点。例如用100层的网络去拟合100个样本，模型完全能记住每个样本的标签，包括错误标签。这就好比用100个方程去解10个未知数，解不唯一，但模型会选一个“记住答案”的解，导致泛化能力差。

不一定，但数据量少是过拟合的主要诱因。当样本数量远小于参数数量时，模型很容易把个别样本的特征当作普遍规律。例如用100张猫和狗的图片训练ResNet，模型可能记住每张图片的背景或角度，而不是真正的猫狗特征。解决办法是数据增强（旋转、裁剪、加噪声）或使用迁移学习（用预训练模型）。注意：如果数据质量高且分布均匀，小数据集也可能避免过拟合。

深度学习是迭代优化过程。刚开始训练时，模型学习的是通用特征（如边缘、纹理）。随着轮数增加，模型开始“钻牛角尖”，去适配训练集中的微小波动。比如验证集准确率上升后突然下降，就是典型的过拟合信号。解决方法是用早停法（Early Stopping）：监控验证集损失，当连续N轮不再下降时就停止训练。通常建议设置patience=5-10轮。

两者原理不同，但可以互补。Dropout随机丢弃神经元，强迫模型不依赖某个特定节点，相当于训练多个子模型的集成，对防止过拟合效果显著（尤其在全连接层）。L2正则化（权重衰减）通过惩罚大的权重值，让模型更平滑，适合抑制参数爆炸。实战经验：Dropout概率设为0.2-0.5，L2系数设为1e-4到1e-2。对于CNN，建议优先用Dropout；对于RNN，L2更稳定。

这可能是因为验证集和训练集分布不一致（数据泄露），或者验证集样本太少。另一种常见情况是：你在验证集上反复调参，导致模型间接“学”到了验证集的特征（信息泄露）。正确做法是：只使用测试集评估最终模型，验证集用于调参，且调参次数有限。若差异持续很大，检查数据划分是否随机，或使用K折交叉验证（K=5或10）来获得更稳定的评估。

在多数场景下，过拟合是负面的，因为它降低泛化能力。但以下情况可以接受：1）任务对训练集准确率要求极高（如自动驾驶模拟器）；2）测试集分布与训练集一致且足够大；3）模型用于生成式任务（如GAN），过拟合可能产生高质量样本。不过，对新手来说，建议优先解决过拟合——如果测试集误差比训练集高20%以上，说明模型已经“走火入魔”了。