我能想到一个原因。因为您使用不同的数据集，所以数据集的属性可能会有所不同。所以很明显，模型将学到的东西会有所不同。也许您的网络架构比另一个更适合一个数据集。但是，如果您尝试在其他数据集（精度较低）上对模型进行更多时期的训练，则精度可能会提高。您的模型可能只是理解这个数据集的速度很慢。

就像当你看到一个人时，你可以很容易地识别出一张脸。但是，当您看到软件代码时，要找到错误并不总是那么容易。但是如果你训练得足够好，你最终会更快更好地识别错误。

我希望这对你有意义。

我假设您采用某种神经网络 (NN) 架构并在数据集 A 上进行训练/测试/验证循环以获得 90% 的准确率，然后您重置参数并在数据集 B 上训练/测试/验证以获得70% 准确率

扩展@mohit-motwani 所说的内容：

不存在将所有函数逼近到任何所需程度的机器学习模型。由此推论，没有一个单一的神经网络架构最适合任何给定的数据。

尝试调整各种超参数，看看是否有帮助。激活函数、卷积大小、填充、池化，甚至更多/更少的隐藏层都可以极大地改变你的结果。

NN 最近作为“自动学习机器”获得了很多赞誉，但实际上，您仍然需要了解它们背​​后的理论，以及背后的原理才能充分了解它们的工作原理。你会随着经验变得更好，但不要认为任何一种 NN 架构是“最好的”