1. 问题描述
在模型训练过程中突然发现，模型的准确率在测试集上居然比在训练集上还要高。但是我们知道，我们训练模型的方式就是在训练集上最小化损失。因此，模型在训练集上有着更好的表现，才应该是正常的现象。
那么，是什么导致了在测试集上准确率更高的现象呢？
模型训练结果：
2. 解决问题
2. 1. 欠拟合
后来我咨询了某大佬，她说：“多训练几次看看，前几次一直在欠拟合”，我顿时感觉，好建议！
增加训练周期数：
果然！随着训练周期的增加，模型准确率慢慢地回归了正轨。在训练集上的准确率又超过了测试集上的。
2. 2. 小批量统计的滞后性
但我依然有所疑惑，为什么在训练周期较少的欠拟合状态下，会出现模型在测试集上准确率更高的情况呢？它们之间有什么关系？
有一篇博文给出的部分解释，我觉得很合理，比较符合我遇到的情况：
训练集的准确率是每个batch之后产生的，而验证集的准确率一般是一个epoch后产生的，验证时的模型是训练一个个batch之后的，有一个滞后性，可以说就是用训练得差不多的模型用来验证，当然准确率要高一点。
也就是说，问题的出现和个人具体统计训练集准确率的方式有关。如果是在每个训练周期结束后再统计训练集上的模型准确率，而不是在每个小批量结束就统计，那就不会出现这样的问题。
当然，光说是不行的，得实践。我检查了之前的模型代码，发现我训练集上的准确率确实是每个小批量结束后就统计的。那不妨试试训练集的准确率也在每个周期结束后再进行统计。
每个训练周期后再统计训练集上的准确率（ train acc 2):
容易发现，即使在欠拟合的状态下，如果训练集和测试集准确率的统计方式相同，模型还是会在训练集上的准确率更高。
参考文献：
神经网络与深度学习—验证集（测试集）准确率高于训练集准确率的原因
小结
遇到问题，看一看别人的想法，可能会让自己瞬间茅塞顿开。一个人钻牛角尖不可取。
