很典型的过拟合问题。
过拟合问题的表现：
在训练过程中的验证准确率前上升，后下降，即在验证集上的表现先好后差。
造成过拟合的原因：
数据相对模型来说比较简单，即模型的表达能力过剩。在初始训练阶段，模型逐渐开始学习到一些信息，因而在验证集上的表现是提升的，在到达某一点后，模型接着训练则会更加的去关注一些细枝末节的东西，即模型表达更加多。但是这不一定适用于验证集，所以验证集的表现开始下降。
解决过拟合的方法：
1.early stop，既然模型在某一点时达到最优，那么就设置模型在最优点附近停止训练。对于early stop的策略有很多，比如验证准确率在N个epoch范围内波动很小，或训练损失在N个epoch范围内波动很小等都可以作为停止条件。
2.为模型增加惩罚项，即正则化。L1和L2正则化。
3.改变数据，使数据更加复杂，多变，适应模型，也能取得不错的效果。
在整个训练过程中，虽然说模型出现了过拟合，但是其在训练集上的损失还是趋于平稳的，并不会说因为过拟合而导致损失波动。（实验证明是这样的，我不太确定理论）
文章来源地址https://www.toymoban.com/news/detail-510285.html文章来源：https://www.toymoban.com/news/detail-510285.html
到了这里，关于深度学习过程中测试准确率先上升后下降是为什么？的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
