首先我們先談談loss和val loss 的區別：
loss：訓練集整體的損失值。
val loss：驗證集（測試集）整體的損失值。
一般來說，我們在訓練的乙個模型的時候，我們都會把乙個樣本劃分成訓練集和驗證集。如果我們按照訓練集和驗證集9:1的比例來劃分，那麼當我們在訓練模型計算出來的loss值就會分為訓練集總體loss以及測試集val loss。兩者之間有大致如下的關係：
當loss下降，val_loss下降：訓練正常，最好情況。
當loss下降，val_loss穩定：網路過擬合化。這時候可以新增dropout和max pooling。
當loss穩定，val_loss下降：說明資料集有嚴重問題，可以檢視標籤檔案是否有注釋錯誤，或者是資料集質量太差。建議重新選擇。
當loss穩定，val_loss穩定：學習過程遇到瓶頸，需要減小學習率（自適應網路效果不大）或batch數量。
當loss上公升，val_loss上公升：網路結構設計問題，訓練超引數設定不當，資料集需要清洗等問題，最差情況。
keras中loss與val loss的關係
loss是訓練集的損失值，val loss是測試集的損失值 以下是loss與val loss的變化反映出訓練走向的規律總結 train loss 不斷下降，test loss不斷下降，說明網路仍在學習 最好的 train loss 不斷下降，test loss趨於不變，說明網路過擬合 max poo...
keras中loss與val loss的關係
loss是訓練集的損失值，val loss是測試集的損失值 以下是loss與val loss的變化反映出訓練走向的規律總結 train loss 不斷下降，test loss不斷下降，說明網路仍在學習 最好的 train loss 不斷下降，test loss趨於不變，說明網路過擬合 max poo...
訓練及loss以及測試集loss之間關係
train loss 不斷下降，test loss不斷下降，說明網路仍在學習 train loss 不斷下降，test loss趨於不變，說明網路過擬合 train loss 趨於不變，test loss不斷下降，說明資料集100 有問題 train loss 趨於不變，test loss趨於不變，...