問題原因：
學習率設定太高，乙個epoch直接收斂，所以損失不會下降。又沒有設定防止過擬合的比如學利率一開始設定為1，因為下降太快，那麼很有可能在乙個epoch舊完全收斂。所以看到的validation數值並不下降，第乙個epoch就已經處於谷底了。
最常見的原因：過擬合。主要包括：資料量小，網路複雜，
learning rate 比較高，又沒有設定任何防止過擬合的機制
解決方法：
簡化模型，且進行資料增強，如：翻轉，平移，隨機裁剪等
利用 dropout層
利用正則化normalization
沒有在分驗證集之前打亂資料
資料和標籤沒有對上
訓練資料太少，validation資料太多，類別也太多，解決方法：1.使用別的大的資料集預訓練； 2.使用資料增強； 3.可以考慮遷移學習
使用預訓練的權重，比較流行的backone網路，如vgg16等都有在imagenet資料集預訓練的權重，使用這種權重，效果更好。
網路結構有問題。可以通過使用現在流行的網路（resnet，unet等）替入你的**，如果結果沒有問題，你的結果有問題那麼肯定就是你網路結構出問題了。那麼可以通過逐層注釋掉排查究竟**出了問題。
網路最後一層沒有使用正確的啟用函式，比如多類別資料的應該使用softmax進行處理；
relu處理後面是softmax。有一些說法是relu由於對於很大的數值直接複製，所以會對softmax產生不好的影響，從而輸出不好的結果。所以可以使用tanh代替relu。
batch normalization需要batch size至少16張
可能設定了一些引數是不可訓練的。在訓練語句之前，檢查以下你的trainable引數，是否設定了一些引數是不可訓練的。
準確率召回率
知道意思，但是有時候要很清晰地向同學介紹則有點轉不過彎來。召回率和準確率是資料探勘中 網際網路中的搜尋引擎等經常涉及的兩個概念和指標。召回率 recall，又稱 查全率 還是查全率好記，也更能體現其實質意義。準確率 precision，又稱 精度 正確率 以檢索為例，可以把搜尋情況用下圖表示 相關 ...
準確率 精確率 召回率
準確率 accuracy 精確率 precision 和召回率 recall 2 是資訊檢索，人工智慧，和搜尋引擎的設計中很重要的幾個概念和指標。中文中這幾個評價指標翻譯各有不同，所以一般情況下推薦使用英文。先假定乙個具體場景作為例子。假如某個班級有男生80人,女生20人,共計100人.目標是找出所...
精確率 召回率 準確率
精確率是針對我們 結果而言的，它表示的是 為正的樣本中有多少是真正的正樣本。那麼 為正就有兩種可能了，一種就是把正類 為正類 tp 另一種就是把負類 為正類 fp 也就是 召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被 正確了。那也有兩種可能，一種是把原來的正類 成正類 tp 另一...