1樓：yuansh
你這種要考慮多種情況啊，
如果訓練集的accuracy在下降或者loss在上公升，那麼很有可能是你的模型複雜度遠遠不夠
訓練集的accuracy已經到了100，loss也不斷在下降，那麼就是過擬合了
還有一種就是訓練集已經到100，但是無論怎麼調整模型，驗證集的accuracy或者loss始終無法向好的方向發展，那麼這種情況很有可能就是資料中雜訊太大或者特徵太少
2樓：許力文 MorrisXu
很正常的過擬合現象，建議使用early stop和best performance checkpoint等一系列機制停止不必要的epoch，同時儲存在val set上效能最好的模型。
3樓：衛龍大麵筋
首先，你的loss是batch loss 還是epoch loss。其次，是training loss 還是 validation loss。最後，題主把圖貼上來，一清二楚
4樓：黃曉越
不知道你的損失值是訓練資料還是測試資料的。要是測試資料的很好解釋，就是過擬合了，要是訓練資料就不太好解釋，因為一般的模型對固定資料的擬合能力還是有的，會慢慢降低。還有種情況是你的訓練資料沒有隨機打亂，造成在前面階段的資料損失降低，後面階段是風格不一樣的，所以損失增大。
利用深度學習，如何進行時序訊號的目標檢測？
大江東去 提供乙個思路。或許可以將時序訊號切割成很多小段訊號，然後通過對這些小段訊號的分類，實現時序訊號的目標檢測。基於振動訊號的故障診斷通常就是這麼做的，通過將小段振動訊號分類到健康狀態 軸承故障等類別，實現故障診斷。例如，Deep Residual Shrinkage Networks for ...
python語言如何進行學習？
ChengZhong.Shen 可以嘗試以下路徑 入門 MITx 6.00.1x Introduction to Computer Science and Programming Using Python 如果有時間，可以學習一下cs50，學到指標就可以了，裡面的練習很有用。高階 cs61A htt...
在使用深度學習方法進行分類時，使用非線性方法對訓練資料進行預處理，是否會破壞原始特徵導致無法識別？
Ethanycx 從理論上來說，無論是線性變換還是非線性變換，其實都可以在網路訓練的過程中由某幾層網路來實現 非線性的啟用函式賦予了網路非線性的描述能力 因此只要資料的量和多元性滿足訓練的需求，並不需要對原始資料手動進行變換。但有些情況下，針對不同的任務，對原始資料進行合理的 經過驗證的非線性變換，...