estimator的val loss远远大于train loss，可能是什么原因？

请教大佬们，tensorflow的estimator：val loss远远大于train loss，可能是什么原因造成的呢？截图如下：

比如第168步的时候，loss已经降为40了。在接下来执行的eval过程中，loss为109，远远大于了40，如下

并且，在以后的每次eval中，loss稳步上升（但准确率也在上升），比如第二次eval的loss是129，如下

请问大佬们，这可能是什么原因呢？不知道是不是我的代码写错了。。还是参数没调对。
拜托拜托，求大佬发发慈悲帮帮忙

目前在跑的是bert模型，batch_size是16。

在使用 TensorFlow 中的 Estimator 时，如果 val loss 远远大于 train loss，可能是以下几个原因造成的：

数据划分不合理：在训练模型时，需要将数据划分为训练集和验证集，如果训练集和验证集的数据分布不同，模型在训练集上的表现可能会比在验证集上更好，导致 val loss 大于 train loss。

• 训练时间过短：如果模型的训练时间过短，模型可能没有达到收敛状态，导致 val loss 大于 train loss。
• 模型过拟合：如果模型过拟合训练集，即模型在训练集上的表现比在验证集和测试集上的表现更好，导致 val loss 大于 train loss。
• 正则化不足：如果模型没有进行足够的正则化，模型可能会过拟合训练集，导致 val loss 大于 train loss。
• 如果出现 val loss 远远大于 train loss 的情况，需要从上述几个方面入手，逐一排查问题并采取相应的措施。

补充一下，val loss一直升高，最终趋于平稳，同时val的准确率也一直在上升最终平稳，请问这个正常吗？