深度学习模型训练到什么时候可以结束，这个问题并没有一个固定的答案，因为它取决于多种因素，如模型类型、数据集大小、训练目标等。以下是一些常见的判断标准：

2. 损失函数收敛：在训练过程中，损失函数（如交叉熵损失、均方误差等）会逐渐减小。当损失函数值在一定范围内波动且不再显著下降时，可以认为模型已经收敛，训练可以结束。但需要注意的是，过早停止训练可能会导致模型欠拟合，而过晚停止则可能导致过拟合。

3. 验证集性能：使用验证集来评估模型的性能是一个很好的方法。在训练过程中，可以定期在验证集上评估模型的准确率、召回率等指标。当这些指标不再提升或开始下降时，可以认为模型已经达到了最优性能，训练可以结束。这有助于避免过拟合，并确保模型在未见过的数据上也能表现良好。

4. 训练时间：有时候，由于时间限制或其他原因，我们需要在指定的时间内完成训练。在这种情况下，可以根据实际需求设定一个合理的训练时间，并在达到该时间后停止训练。但需要注意的是，这种方法可能会导致模型未能充分训练或过早停止。

5. 早停法（EarlyStopping）：早停法是一种常用的防止过拟合的方法。在训练过程中，当验证集性能连续多个epoch没有提升时，可以停止训练。这种方法有助于在模型达到最优性能时及时停止训练，避免过拟合。但需要注意的是，早停法需要设置一个合理的耐心值（patience），即连续多少个epoch没有提升时才停止训练。

6. 学习率衰减：随着训练的进行，学习率会逐渐减小。当学习率降低到一定程度时，模型的更新幅度会变小，训练速度会变慢。在这种情况下，可以考虑停止训练。但需要注意的是，学习率衰减的速度和停止训练的时机需要根据实际情况进行调整。

综上所述，深度学习模型训练到什么时候可以结束取决于多种因素。在实际应用中，可以根据损失函数收敛情况、验证集性能、训练时间、早停法和学习率衰减等方法来判断训练是否应该结束。同时，也需要注意避免过早或过晚停止训练，以确保模型能够达到最优性能。