这段时间在做一个实验，但是由于数据集较小，所以我就只分了训练集和验证集（相当于把测试集当成验证集用了），由于没有真正意义上的测试集，所以做完实验之后开始怀疑自己，这样做真的对吗？没有真正意义上的测试集我这样做出来的实验具有说服力吗？

后来去学习了一下验证集和测试集的区别，总的学习之后的结果就是验证集是用于训练过程中的调参，通过验证误差和验证精度等去调整模型的超参数，而测试集是用来评估模型，计算数据的泛化误差（越接近真实环境标签，泛化误差越小，相应的模型越好）

验证集的功能包括：

❑据验证集的性能表现来调整学习率、权值衰减系数、训练次数等。

❑ 根据验证集的性能表现来重新调整网络拓扑结构。

❑ 根据验证集的性能表现判断是否过拟合和欠拟合。

通过查看验证集手动或者自动调整超参数，让模型的验证集损失越来越小，从而不断的接近真实值，所以这样的话验证集是不能代替测试集的功能的。验证集可以多测使用，用来反馈模型的状况，而测试集只能用一次。

模型的评估一般使用：

  loss,accuracy = model.evaluate(X_test,Y_test)

or

  loss,accuracy = model.evaluate(db_test)

但是我又一个疑惑始终不解，我在训练过程中并没有去改变超参数，相当于让模型从头开始训练，而不是改变超参数之后继续训练模型，那这样的的验证集岂不是相当于测试集去评估模型的好坏了吗？（现在还是不解，求知道的大佬告知）

相关的学习可以参考：

https://zhuanlan.zhihu.com/p/48976706

《TensorFlow深度学习》书