神经网络训练集的loss比测试集的大，这正常么？

训练集的loss一定比测试集的loss小，模型才对么？我的模型只设立了训练集和测试集（8:2），但网络训练出来，一直都是训练集的loss大于测试集的，我看其他人的论文里，基本都是训练集的loss小于测试集的loss，最后趋于稳定，判定模型收敛。

谁跟你说训练集一定小于测试集？这两个大小没有一定关系，真要细分的话训练集和验证集都不能算同一个数据集，没有绝对的大小之分。即使是两者分布一致，但是具体样本的偏差也会会导致结果的不一样（特别是训练集如果做了数据增强，而验证集没有），所以我们能简单粗暴的直接比较两者大小，而是看趋势是否同步下降，
想你这个训练集和验证集loss都在下降,这就是很正常的训练过程,
但是训练集loss下降了,而验证集loss反而上升了,这就是熟知的过拟合。
准确率一样的道理

训练集和验证集大小没有一定关系

一般来说，训练集损失率会低于测试集，因为训练集损失率是在网络中进行学习出来，测试集就是在模型训练好之后输入到模型中进行测试，不一定会符合模型，所以会高，你这个原因可能是数据集不够，或者网络模型参数不够好

不是很正常，一般训练集的loss会低点；
不过低的不多也有可能，可能训练集噪声比较多，
你的问题，估计是整体样本不多，以及可能有脏数据的原因。