隨著訓練的輪數增加，模型在訓練集的正確率增加，但是到了一定輪數後，驗證集的正確率或loss反而往下掉了，發生這種情形，先把訓練過程的曲線畫出來，來看看怎麼回事，要記得將訓練過程產生的資訊存起來。

hist = model.fit(
  x = x_train,
  y = y_train,
  batch_size = 32,
  epochs = 20,
  validation_split = 0.1,
  verbose = 2
)

history = hist.history
x = np.arange(20)
plt.figure(facecolor='w')
plt.plot(x, history['loss'], label='loss')
plt.plot(x, history['val_loss'], label='val_loss')
plt.plot(x, history['accuracy'], label='accuracy')
plt.plot(x, history['val_accuracy'], label='val_accuracy')

plt.xlim(0,19)
plt.xticks([i for i in range(0,20,3)],[str(i) for i in range(0,20,3)])
plt.xlabel('epoch')
plt.ylim(0,1)
plt.ylabel('acc-loss')
plt.legend()
plt.show()

在訓練集上的loss隨著時間下降，但是驗證集的loss卻升高了，這代表了模型對訓練集的擬合度升高，不一定代表在驗證集也是如此，就像熟背練習卷上每道題目的考生，面對大考時，反而發揮的不好。

以上的紅線代表模型在訓練集上的擬合度，藍線是在驗證集上的擬合度，在綠線左方，訓練集和驗證集的loss都很高，代表模型，還沒有很好的學習到東西，綠線的右方，訓練集的loss很低，但是驗證集的loss很高，代表模型已經針對訓練集最佳化，失去泛用、普遍性了，我們想要的結果，應該處於兩條綠線之間，這是我們在訓練時使用驗證集的主要原因，幫助我們簡單判別模型的狀態。