我通过子类化keras.Model建立了一个自定义的FCNN模型。该模型使用我制作的自定义tf操作和keras层，但没有任何Dropout层，这将分别在训练和验证期间导致不同的行为。
在培训过程中，我有一个数据生成器，它不断为网络提供新的输入，而这些输入以前从未用作输入。为了进行验证，我使用了完全相同的生成器来生成1000个输入，然后将它们存储在内存中。
我在相同的输入上并行训练两个模型，一个是我的，另一个是Deeplabv3 +，通过将模型定义为函数而不是我的子类keras.Model来实现。
在训练期间，我希望训练和验证损失（分类交叉熵）非常相似，因为训练过程与验证使用同一发生器，并且从未像验证一样两次看到相同的数据。这就是问题所在：对于实际的功能性Deeplabv3 +模型，对我而言，这根本不是真的。 Deeplabv3 +的训练损失为0.14，验证损失为0.15，而我的模型的训练损失为0.06，验证损失为0.5。
鉴于训练过程，我无法向自己解释这种错误的验证错误是怎么可能的，因此我怀疑tf或keras在验证期间以某种方式破坏了模型状态，因此我的问题是：
tf.keras中除Dropout之外是否还有其他层或功能在验证过程中和训练期间的行为不同？
在一个时期的训练阶段之后，keras对模型状态有何影响？
在构建子类keras.Model时，在这方面我需要考虑什么吗？过去，我遇到过这样的问题，例如在嵌套模型时无法正确保存和加载权重，或者没有给图层适当的名称。可能与此有关吗？