可能是overtfitting或是訓練環節出錯了。需要結合training loss，即訓練集誤差一起來排錯。

如果訓練集誤差在穩步下降，而驗證集誤差反而上升，應該是模型過擬合了。模型過於複雜，而資料量太小，學習的模型過度去擬合訓練集。解決方案是增大dropout或降低模型容量。或者想辦法加大資料量。

如果訓練集誤差不下降，可能你的訓練程式碼本身都有bug。這種情形下，沒有必要看驗證集誤差。除錯程式碼吧，比如前傳損失函式的計算，後傳梯度的計算，某個環節出錯了。如果你用的不是深度學習框架，自己寫的後傳程式碼，那可能要透過數值方法計算梯度，進行對比，排查bug。

我訓練過一些深度學習模型。

按照我的經驗，如果我有這樣一個問題。那麼我會按照如下流程解決問題。

1.看懂模型

模型中有大量公式，首先你要看懂它大致做了什麼東西你才好debug。

2.看程式碼

主要看loss函式是否寫錯，整個模型搭建是否有錯。大致過程是：loss函式debug，捋一遍程式碼，在必要地方新增輸入輸出語句檢視執行情況。

3.如果看不懂模型，看不懂程式碼，那就找原作者，看他是否有辦法。如果是github是clone的，那麼可以提issue，讓廣大網友幫你解決，還可能遇到和你相同問題的人 。