val_loss比loss低

导致val_loss比loss低很多的几个原因

1、学习率设置问题

学习率设置太大会造成网络不能收敛，在最优值附近徘徊，也就是说直接跳过最低的地方跳到对称轴另一边，从而忽视了找到最优值的位置；学习率设置太小，网络收敛非常缓慢，会增大找到最优值的时间，也就是说从山坡上像蜗牛一样慢慢地爬下去。虽然设置非常小的学习率是可以到达，但是这很可能会进入局部极值点就收敛，没有真正找到的最优解。
学习率一般可以设为0.001、0.0001

2、网络模型过拟合

搭建的模型层数过多，网络过于复杂；数据集又比较小；激活函数没有使用正确。
解决办法：简化模型（加入Flatten层、dropout层，利用正则化）；换一个大的数据集；relu后面一般不能是softmax，relu由于对于很大的数值直接复制，所以会对softmax产生不好的影响，从而输出不好的结果。

3、在设置验证集比例前没有对数据集进行打乱

model.add(validation_split=0.x)
这只会分配验证集的比例，并不会打乱数据，所以就可能出现训练集跟验证集联系并不大。相当于你的数据前一半标签全是1 ，后一半全是0。在拆分数据集之前将数据集进行打乱。

4、batch_size的值

batch_size一般是2的倍数（但也可以不是），batch normalization需要batch size至少是16，一般可以令其为64、128、256等进行测试。