通过对您的情节的简单检查，我可以得出一些结论并列出要尝试的内容。（这是在不了解您的设置的情况下：训练参数和模型超参数）。

看起来损失正在减少（通过验证损失放置一条最佳拟合线）。看起来你可能可以训练更长时间来改善结果，因为曲线仍然向下。

首先，我将尝试回答您的标题问题：

验证损失波动的原因是什么？

我能想到三种可能：

1. 正则化- 帮助平滑学习过程并使模型权重更加稳健。添加/增加您的正则化将防止引入对权重的大量更新。
2. 批量大小- 它是否相对较小（例如 < 20？）。这意味着在网络末端测量的平均误差仅使用几个样本来计算。假设批量大小为 ，8那么在查看损失时，获得4/8正确与获得正确相比6/8具有较大的相对差异。对如此小批量的误差取平均值将导致损失曲线不太平滑。如果您有足够的 GPU 内存/RAM，请尝试增加批量大小。
3. 学习率- 可能太大。这类似于关于正则化的第一点。为了更顺利地进行改进，您可能需要在接近损失最小值时放慢学习速度。6你可以让它按计划运行，每次验证损失没有改善时，例如时期，它就会减少一些因素（例如，将其乘以 0.5） 。这将阻止您迈出大步，然后可能会超过最小值并在它周围弹跳。

针对您的任务，我还建议您尝试解冻另一层，以增加微调的范围。根据您的数据，这将为 Resnet-18 提供更多的学习自由。

关于你的最后一个问题：

这是我应该担心的事情，还是应该只选择在我的性能指标（准确性）上得分最高的模型？

你应该担心吗？简而言之，没有。像你这样的验证损失曲线可以非常好并提供合理的结果；但是，在解决之前，我会尝试上面提到的一些步骤。

你应该只选择性能最好的模型吗？如果您的意思是将模型置于具有最佳验证损失（验证准确性）的位置，那么我会说要更加小心。在你上面的情节中，这可能相当于第 30 个时期左右，但我个人会采取一个训练得更多的点，曲线变得不那么不稳定。同样，在尝试了上述一些步骤之后。

我还建议您使用数据增强和过采样方法来补偿类的不平衡。这篇斯坦福论文解释了一些想法，您可以使用深度学习来实现图像分类中数据增强的有效性。

我希望这有帮助！