您的模型确实过拟合。发生这种情况的原因可能有很多——你训练了多少张图像？你不是在使用正则化，使用随机裁剪或翻转来增强数据吗，为了防止过度拟合而丢弃？

所以我的问题是我们可以认为模型训练有什么损失（val_loss）？

当验证损失不再减少时，我们通常可以停止训练。这通常通过定义一个变量来完成，例如：n = 5 并检查在运行 n 个 epoch 后验证损失是否减少。如果您正在解决一个众所周知的问题（MNIST、Fashion-MNIST、CIFAR-10 等），您可以检查模型可实现的最佳分数/损失并调整您的模型（添加或删除层、防止过度拟合等） ) 达到分数。

如果我输入 VGG-16 的图像是 RGB/255，会不会有问题？

您应该预处理图像以加快训练速度，并从输入中减去用于训练预训练网络的图像的平均 RGB 像素值（如果使用 imagenet 数据训练预训练网络，则从输入图像中减去 imagenet 数据集的平均 RGB 像素值）图片。在这里你可以阅读 keras preprocessing_input 方法。

如果有人可以解释验证损失有多高（即使验证准确度很高）会影响模型？

验证损失衡量您的模型对看不见的数据的泛化程度。如果你的训练损失和验证损失在训练期间没有改善，那么你就欠拟合了。如果您的训练损失很低，但您的验证损失停滞或增加，那么您就是过度拟合，这意味着您的模型正在学习不需要的噪声或模式，这有助于它学习或记忆训练数据，但在看不见的验证集上无法推广.

这是一个使用预训练网络解释数据预处理、增强、迁移学习的链接。

事实上，高验证损失会严重影响模型与测试数据的准确性。在这种情况下，绝对过拟合正在发生，在机器学习文献中也被视为高方差问题。过度拟合限制了模型的泛化。