在深度学习中，什么是“过拟合”现象的表现？A. 模型在训练数据上的准确率高，在测试数据上也高B. 模型无法收敛C. 模型在训练数据上的准确率高，但在测试数据上表现差D. 模型在训练数据上的准确率低，在测试数据上也低

过拟合是深度学习中的常见问题，其核心表现是模型在训练数据上表现优秀，但在未见过的测试数据上表现较差。这通常是因为模型过度学习了训练数据的噪声和细节，导致泛化能力下降。解题的关键在于理解过拟合的本质是训练集与测试集性能的显著差异，而非单纯看某一侧的准确率高低。

选项分析

选项A

模型在训练数据和测试数据上的准确率都高
这表示模型泛化能力强，属于理想情况，与过拟合无关。

选项B

模型无法收敛
无法收敛可能由学习率过大、数据问题等引起，与过拟合无直接关系。

选项C

模型在训练数据上准确率高，但在测试数据上表现差
这是过拟合的典型表现。模型记忆了训练数据，但无法适应新数据。

选项D

模型在训练数据和测试数据上的准确率都低
这可能是欠拟合（模型未学到数据规律）或数据质量问题，与过拟合相反。