定时炸模型是机器学习中的一种技术，可以帮助避免模型过拟合。下面是详细的做法：
1. 划分训练集和验证集。在训练模型之前，需要用数据集划分出训练集和验证集。通常的做法是将数据集按照一定比例分成两部分，一部分用于训练，一部分用于验证。
2. 定义模型。根据任务的需求，定义神经网络模型，并设置好超参数，如层数、节点数、学习率等。
3. 训练模型。使用训练集对模型进行训练，在每个训练周期结束时，对验证集进行验证，记录下验证集的损失值和准确率。
4. 判断是否过拟合。当模型在训练集上的表现优于在验证集上的表现时，说明可能存在过拟合现象。为了避免过拟合，需要判断模型在验证集上的表现是否逐渐变差。
5. 设定阈值。当模型在验证集上的表现连续若干个周期没有提升时，需要设置一个阈值，即停止训练的条件。
6. 调整超参数。为了避免模型过拟合，可以尝试调整超参数，如增加训练集的大小、增加或减少层数或节点数，进行正则化等方法。
7. 定时炸模型。当模型在验证集上的表现连续若干个周期没有提升时，使用定时炸模型技术，即停止训练并保存之前一定周期的最好模型参数，并且在训练下一个模型之前重新设定随机数种子，以便每次训练产生不同的随机数。
8. 重复进行训练。使用上一步得到的最好模型参数，重复进行训练，直到满足设定的训练次数或达到预期的效果。
定时炸模型是一种基于经验判断的技术，需要经过多次实验来确定最优的参数和阈值。
可以先做常规炸弹，再装上引线，再装点火器，最后安装定时器。
