前言
刚开始使用Keras时，对每轮训练反馈的loss和val_loss不怎么了解，在查阅资料以及几次训练后，作出以下记录，若有错误，欢迎指出。
一、理解train和test
train（set）：训练集是用来运行学习算法。
test（set）：测试集用来评估算法性能，但不会据此改变学习算法或参数。因此我们可以引入development（set），也叫validation（set），来调整参数，选择特征，以及对学习算法作出其他决定。本文先忽略验证集讲解。
常规的训练集和测试集的比例为0.7:0.3，引入验证集后常采用0.6:0.2:0.2.
在保证算法稳定的情况下，训练集和测试集的选取会对输出结果造成不同层次的影响。
二、理解loss和val_loss
loss：训练集的损失值；val_loss：测试集的损失值。
一般训练规律：
loss下降，val_loss下降：训练网络正常，最好情况。
loss下降，val_loss稳定：网络过拟合化，可以添加Dropout和Max pooling。
loss稳定，val_loss下降：数据集有严重问题，建议重新选择。
loss稳定，val_loss稳定：学习过程遇到瓶颈，需要减小学习率（自适应网络效果不大）或batch数量。
loss上升，val_loss上升：网络结构设计问题，训练超参数设置不当，数据集需要清洗等问题，最差情况。
（注意：上面提到的“下降”、“稳定”和“上升”是指整体训练趋势。）
