为什么验证阶段还要返回损失？
在验证阶段返回损失（val_loss）是模型训练中评估性能、指导训练的核心逻辑，主要有以下几方面原因：
- 评估模型泛化能力
训练阶段的损失（train_loss）只能反映模型对训练数据的拟合程度，但无法判断模型是否 “过拟合”（即只记住训练数据，无法适应新数据）。
验证损失（val_loss）通过未参与训练的验证集计算，能直接反映模型对 ** unseen 数据 ** 的预测能力（泛化能力）。
若 val_loss 随训练逐渐下降并趋于稳定，说明模型在有效学习且泛化良好；
若 val_loss 先降后升（而 train_loss 持续下降），则提示模型过拟合，需要调整（如增加正则化）。 - 支持训练策略调整
返回的验证损失是许多关键训练策略的 “决策依据”：
早停（Early Stopping）：当 val_loss 连续多轮不再下降时，提前终止训练，避免过拟合和无效迭代。
学习率调度：根据 val_loss 动态调整学习率，当 val_loss 停滞时减小学习率，加速收敛。
超参数优化：在交叉验证中，通过验证损失选择最优超参数。