七个原因导致 训练集明明很高，验证集，测试集 validation accuracy stuck 准确率 很低 损失不减小

损失函数一直在下降，为什么识别率上不去。

1.最常见的原因：过拟合
过拟合值得单独开个章节。主要包括

1.数据量小，网络复杂

2.learning rate 比较高，又没有设置任何防止过拟合的机制

解决方法主要包括

1.简化模型，利用现有深度学习手段增加数据（翻转，平移，随机裁剪，imgaug）

2.利用 dropout层

3.利用正则化

2.你犯了错误：没有把数据规格化
图片的话，img/255是肯定的

3.你犯了错误：没有在分验证集之前打乱数据
因为validation_split操作不会为你shuffle数据，所以如果你的数据前一半标签全是1 ，后一半全是0，validation=0.5。恭喜你，你压根也分不对，你的validation准确率会一直为0.因为你拿所有的正样本训练，却想判断负样本。

4.pycharm的debug模式
如果使用pycharm，调试模式，会达到损失下降，但是准确率会卡成常数。

5.你犯了错误，数据和标签没有对上
有可能再读取自定义的数据库的时候出现问题，导致数据与标注不对应。比如第一张图片用第十张的标注

6.你的训练数据太少，validation数据太多，类别也太多
比如4000张训练，1000张validation，300类，这显然就是不合理的

7.最好使用预训练的权重
大多数流行的backone比如resnet都有再imagenet数据集上与训练过，那么使用这种权重，比起随即重新训练，显然要可靠不少