当交叉熵同时上升时，验证集准确性如何上升？

Question

据我了解，交叉熵衡量的是真实标签和预测标签之间的误差大小，误差有可能会增加，但准确性也会增加吗？

我认为这是一个普遍的问题，但这是有关培训的更多详细信息：
-使用retrain.py
从TensorFlow Hub重新训练模型 -损失函数为tf.losses.sparse_softmax_cross_entropy
-优化器为tf.train.GradientDescentOptimizer
-屏幕截图来自TensorBoard（y轴：精度，x轴：步长）
-在深蓝色主线下还有一条可见的透明蓝色线。明亮是真实数据，黑暗是平滑数据
-我有4250张图片分成6个标签
-我将10％的数据用于验证集，将10％的数据用于测试集
-有一个标签“ other”，其中汇总了多种“数据类型”
-也许测试集中的重要指标是（我没有用于验证的指标）：
-5个标签的f1-得分为99％+，支持50-100
-“其他”标签的f1得分为88％，仅支持12
-我认为不需要更多细节，但是如果需要，请询问