【问题标题】：Validation loss less than training loss (vald accuracy higher than training accuracy) without using dropout验证损失小于训练损失（vald准确度高于训练准确度）而不使用dropout
【发布时间】：2020-04-07 09:41:49
【问题描述】：
我一直在研究多任务模型，使用具有无 dropout 层的 VGG16。我发现验证准确度高于训练准确度，验证损失小于训练损失。
我似乎无法找出模型中发生这种情况的原因。
下面是训练图：
数据：
我正在使用（随机打乱的图像）70% 训练，15% 验证，15% 测试，15% 测试数据的结果如下：
你认为这些结果好得令人难以置信吗？
【问题讨论】：
标签：
tensorflow
machine-learning
keras
deep-learning
vgg-net
【解决方案1】：
一开始，是的，但最后你可以看到他们开始改变位置。
在训练结束时，您接近过拟合点（如果 val loss 开始增加或 val 准确度开始下降，那么您已经达到过拟合）
但在一开始，可以解释这种行为的可能是训练和测试之间的一些数据不平衡。也许你在验证数据库中有更简单的例子，或者类不平衡，或者更多的空值等等。