训练了100个epoch但第20个epoch的权重在测试集上的结果最好是正常的吗

在机器学习中，训练过程的中间结果不总是与最终结果相对应。此，第20个epoch的权重在测试上表现最好并不意味着这正常的情况。

训练神经网络是一个迭代的过程，模型会在个epoch中根据训数据进行参数更新。常情况下，模会随着训练的进行逐渐改善，并在后续epoch中获得更好的性能。然而，这并不意味着每个epoch的权重都会比前一个epoch更好。

可能发生的情况是，第20个epoch的权重在测试集上表现最好，是由于在这个epoch中模型在训练集上过拟合了。这意味着模型在训练集上的性能较好，但在新数据上的泛化能力较差。因此，仅根据某个epoch在测试集上的结果判断模型性能是不准确的。

为了准确评估模型的性能，建议使用交叉验证或保留一部分数据作为验证集来选择最佳的模型。这样可以更好地判断模型在新数据上的泛化能力，并选择性能最好的权重进行测试集上的评估。