Deep learning 验证损失高于第一个历元的训练损失

从我所了解到的，当验证损失>培训损失时，存在过度拟合。然而，我从第一个时代得到这个

见下文：

我正在使用一个表格学习器（来自FastAI v2），它有大约72个输入

我有360K个不均匀分布的病例，其中大多数是cat1，然后是cat2，等等。我们有大约20K的cat6。我对所有训练数据进行了上采样，使所有类别都得到了平等的表示。验证集是训练集的2%。 我试着降低层数。这使得训练损失稍微接近验证损失，但从第一个历元开始，验证损失始终高于训练损失

对此有何解释

使用的代码：

coord_labels, semantic_labels = [], []
for i in range(18):
    coord_labels += [f'x{i+1}', f'y{i+1}', f'conf{i+1}']
    semantic_labels += [f'sem{i+1}']
    
dls = TabularDataLoaders.from_csv(
    '/content/total_training.csv', 
    y_names='corrected_person_position_type_id',
    cont_names = coord_labels,
    cat_names = semantic_labels,
    procs = [Categorify, Normalize],
    valid_idx = valid_idx,
    bs=2048
)
learn = tabular_learner(dls, metrics=accuracy)
learn.fit_one_cycle(10)

---

您能否在表中添加验证精度和一些代码作为参考？@ZabirAlNazi添加了代码。我的印象是，fastai Tablear learner显示的准确度就是验证准确度。如果不是，你知道如何添加这个吗？