为什么有时候数据集没问题，把标签没问题，模型没问题，可就是训练出的模型效果国不好？

问题背景

今天，我在使用点云数据集（modelnet10_ply）训练一个图分类模型的时候遇上这么一个离谱的问题。我在训练过程中发现，模型的准确率一直都在0.11徘徊。可当我使用相似的modelnet10_h5数据采集时，准确率却会在一次次训练中得到优化。

问题分析

首先我检查了ply类型数据集的标签是否能够对应的上，后面发现没问题。后面我突然想到，ply数据集是经过我整理后的数据集，我将相同一类的数据放在一个文件夹，并且我编写的ply文件读取器，是按一个一个文件夹读取的。我就想会不会是训练的时候同一类别的数据集太集中，没有乱序导致的

解决方法

后面我用Dataloader的shuffle将数据集打乱

dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

最后恢复了正常

why

为什么会这样呢？按照我的理解，由于我使用的数据集比较大，每个类的数据集个数也比较多，所以在训练过程中，假如训练同一片数据集都是同一类，由于类别相同的数据具有相似的结构够，所以很可能导致在经过一片相同类别的数据训练后。模型出现一种假饱和状态，也就是说参数饱和了对于这个类，这个过程参数甚至都不用怎么调整了。当这片数据训练完了，到下一类数据集，突然间模型不适应了，就会突然间准确率下降，模型会朝着如何将这类数据集分类得更好去优化，经过大量数据集训练后，慢慢就将前面分类上一个类别的能力给遗忘掉了，所以说模型一直实在这么一个遗忘，记忆，遗忘，记忆的过程，始终最多只能分类一个类。这里为什么我的准确率保持一个0.11也得到解释，因为经过一趟训练后，模型基本上只对最后一个类别具备较好的分类能力，所以说准确率一直都是最后一个类跟全部数据集之比。刚刚好我里面有十个类，占十分之一刚好得到验证。所以说大家在使用较大数据集训练模型的时候一定要，注意将数据集乱序，打乱了才能学到一个总体能力。还有看到准确率或者损失一直不变也可以想一下这个原因