test_loss比train_loss小的原因

网络训练过程，模型的test_loss小于train_loss，并且逐渐趋于稳定，这正常么？我看其他人论文里，train_loss都是小于test_loss的，难道是我网络或者数据有问题？
我有14万组理论数据。采用8：2的数据集划分方式。

博主参考一下下面链接

不正常
一般情况下因为网络地不稳定性，存在一定程度上的过拟合，所以肯定是train_loss低于test_lost，但如果低太多，就得考虑是过拟合的问题还是因为样本的特征空间不统一的问题。
一般训练集不大时，最终训练的网络及容易过拟合，也就是说train-loss一定会收敛，但是test-loss不会收敛；  训练时的loss会低于test的loss大概1~2个数量级，通常是10倍左右。

你结合这个博文中介绍的分析思路和解决办法，就可以有效快速的判断。链接：https://blog.csdn.net/weixin_39650149/article/details/118540831

LSTM是用来做文本生成，做垃圾邮件识别似乎没有什么道理。
你的loss用的可能是MSE，平方误差对于大的误差的减小比较敏感，但是对于最终的分类没有什么帮助，就导致acc没有什么变化loss一直下降
另外就是要看两者的数量级的差别，比如loss的确是下降，比如从0.234 0.233 .0232 0.231 ... 0.2195 0.2194 ... 但是实际上下降了很多轮，下降的相对比率并不多。相反，acc是一个绝对的数，看上去就似乎一直一样。

• 看下这篇博客，也许你就懂了，链接：Train Loss不降、Valid Loss不降、Test Loss不降的原因及解决

这个看看
https://blog.csdn.net/qq_24502469/article/details/105119449

不知道你啥子网络，先按神经网络来分析，具体有些网络可能还有一些细微的差距。
先确定你的数据分布情况，是否真的随机分布还是有部分数据泄漏问题，从你上面的描述来看，划分验证集和训练集的时候是正常的，那么此时的测试集loss和训练集loss是什么情况呢？一般来说，训练的时候数据集划分一定需要有的是val和train，test反而可以是没有的，测试集只是评估最终的训练结果用的，不会在训练阶段使用。你如果划分为train和test，那么你的test应该就得当做val去训练才有上面的图片，你当做验证集去训练了吗还是就只当测试集？
如果上面你的确是将test当做val去训练的话，就得检查一下数据泄漏的问题，看下val（你的test得当做val训练）是不是train的子集。
如果你确定你的数据集没有问题，那么将网络层的droupout值改小点看下，设置太大会导致train-loss偏大，但是结果是好的。

最后一点，你这里loss上下波动，不考虑后期训练降低学习率吗？