本文主要是介绍机器学习中训练集精度高，验证集精度低，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
写在最前面：最大的敌人就是自己。多检查，多思考，多受益。
Batch Normalization layer对于新接触机器学习的同学来说是一个大坑，AI模型摸爬滚打一年，总结BN相关实战经验：
1、网络使用BN层，数据一定要做归一化，RGB除以255，单分类标签为0/1，一定要做！！！
2、使用数据增强，一定要可视化看一下增强后的图像与标签，特别是多分类任务，图像处理差值后标签容易出现改变！
3、均值和方差不一定要算，数据量小（小于10g）的情况下建议直接使用ImageNet等大型数据集均值方差，效果可能更好。
4、一次训练任务，精度上升非常快，出现集精度高（iou 0.5），验证集精度低（1e-12），由于dataset的filelist[index]在测试的时候加了一个编号，写为filelist[0]，导致对第一张一直训练，搞到凌晨三点没找到原因，写出来提醒他人。
5、少量数据训练情况下，可直接冻结BN层。
这篇关于机器学习中训练集精度高，验证集精度低的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
