培训和评估可以同时进行，但这将导致overfitting。
根据经典机器学习的概念，我们将数据分为训练数据集和测试数据集。
然后，我们在训练数据集上训练模型，并使用看不见的测试数据进行预测。
在构建模型时，我们通常会分别在训练数据和测试数据上评估模型的性能。
如果模型在训练数据上表现良好，但在测试数据上表现不佳，则称为过拟合。
因此，这两种方法应该被区别对待，而不是分开，这意味着在评估之后将进行哪种培训。
回到你问题的第二部分，提前停止：
Keras有一个名为callbacks的功能，一旦达到所需的精度，您可以停止训练。您可以通过以下方式配置和使用回调：

my_callbacks = [
    tf.keras.callbacks.EarlyStopping(patience=2),
    tf.keras.callbacks.ModelCheckpoint(filepath='model.{epoch:02d}-{val_loss:.2f}.h5'),
    tf.keras.callbacks.TensorBoard(log_dir='./logs'),
]
model.fit(dataset, epochs=10, callbacks=my_callbacks)

使用Keras +回调的 * 对象检测 * 的完整代码可以在这里找到。