1樓：弗拉基公尺爾
如果只是高個10%，我認為問題不大.
如果大於10%，可能有
1.資料過擬合了.加正則化batch normal，dropout都可以.減少網路引數，減少網路層數!
2.資料本身有缺陷.你看看你的資料集，是不是有缺陷.在訓練資料集上，這些資料集是可以篩選的，你可以選擇有代表的資料集進行訓練.
3.類別不平衡.選乙個合適的損失函式也可以解決這個問題，比如何凱明的focalloss.
4.模型本身有問題.理論上跑開源的不會有問題.
5.gpu太差.gpu的效能是會影響你的實驗結果的.(這一點，可能是個其他原因)
2樓：lazzy丶
先回答樓主問題，可能過擬合了。
但是，樓主這個問的方式，我感覺樓主還不太會利用驗證集提高模型的泛化能力。驗證集是在訓練過程中看當前正在訓練的模型的查準率，防止過擬合併提高泛化能力。
建議樓主，1.檢查下自己的模型設定；2.如果是自己收集的資料，處理下自己的資料集；3.
合理劃分訓練集、驗證集、測試集，盡量保證同分布；4.k折交叉驗證、early stop等等的方法選乙個合適的；5.上述都保證了，就瘋狂調參吧。
3樓：伊禮呵撒稜
驗證集比測試集高？
很簡單，模型不收斂，過擬合了，很常見
解決方法，資料增強，換個模型，調解超參，改批次，換優化器，學習率，換loss函式，重新打亂資料集在劃分，遷移學習
如果還不行，準確率還是低，那就是資料集有問題
MNIST資料集上手寫數字識別準確率是否能達到100
天霸封神 確實有這個問題，tensorflow上的demo例子，訓練和測試都很好。但實際安裝到手機上執行時，效果很不理想。感覺有待優化。 腦洞太開 按照現有CNN識別方案很難做到100 沒有做位置矯正，不是基於筆畫學習，比如你寫個1在邊上，肯定識別不出來 TensorFlow2例子基本上99 以上，...
測試集效果比驗證集差很多說明了什麼？
flowera 原因可能有4個，可逐一檢查 1.交叉驗證次數是否足夠？2.檢查訓練集和驗證集是否有重合，即是否有資料窺探問題。3.對訓練集 驗證集以及測試集做的資料預處理是否一致。4.排除以上3個可能，可以基本確定是訓練集和驗證集來自同一資料分布，但是測試集卻是另外乙個分布。 Scchy 首先從數學...
在訓練cnn的過程中，訓練集準確率逐漸公升高，loss平穩下降，但是測試集動盪劇烈是什麼原因？
暴走的夢想 我覺得首先要看你的訓練集和測試集是否是同乙個資料集，同乙個資料集的話分布應該是大致相同的，當然要確保劃分資料集合理，比如訓練集是否包含了所有種類，是否對資料集進行了隨機劃分 這樣出現測試集acc和loss不穩定的情況就是過擬合了。還有一種情況就是訓練集和測試集沒有來自同乙個資料集，那這時...