我尝试训练14000个训练数据集和3500个验证数据集，但是为什么每次训练时，我总是在验证部分很小的情况下获得高精度结果
所以，如果我希望验证结果与培训的准确性接近，该怎么办？ 并为每个纪元提供重要的补充
是否必须添加或减去某些内容？ [对不起，英语不好]
from collections import Counter
t = [('a', 1), ('b', 2), ('c', 3), ('a', 4)]
h = Counter()
for k, v in t:
h[k] += v
h
Counter({'a': 5, 'c': 3, 'b': 2})
我得到了这个结果（抱歉，我不知道如何在此处放置图片）
时代198/200 100/100 [=============================]-114s 1s / step-损耗：0.1032-acc：0.9619-val_loss ：1.1953-val_acc：0.7160
历代199/200 100/100 [=============================]-115s 1s / step-损耗：0.1107-acc：0.9591-val_loss ：1.4148-val_acc：0.6702
时代200/200 100/100 [=============================]-112s 1s / step-损耗：0.1229-acc：0.9528-val_loss ：1.2995-val_acc：0.6928
答案 0 :(得分：0)
当您的训练精度很高，但验证精度很低时，您就拥有overfitted模型。简而言之，您的模型已经了解了训练数据的结构，但是无法对其进行概括。为了减少过度拟合，您可以尝试