Machine learning 训练集上的平均误差等于测试集上的平均误差？

我正在培训一个关于图像分类问题的深度网络谷歌网。我有一个大约7300张图像的数据集，这些图像只在两个类中标记

我将我的训练集和验证集按以下比例进行划分：0.66/0.33

在训练过程中，我计算训练集和测试集的平均误差，以了解它是如何发展的

问题是这两个值总是相等或非常接近

所以，也许这不是一个问题，但我没想到会发生这种情况。因为我在训练集上训练，所以我希望训练集上的平均误差始终等于测试集上的平均误差，即使我希望这两个值收敛到大约相同的值

也许有人能告诉我这是否正常？如果这是意料之中的，为什么？如果不是，你知道发生了什么吗

可能有用的进一步信息：我使用50个小批次，adam optimizer，我的损失是用tf.nn.softmax\u cross\u entropy\u和\u logitslabels=y\u计算的，logits=y\u predict，我使用0.4的落差，但当我计算平均误差时，我确保它是1

---

谢谢。

这很合理。您将数据划分为来自同一总体的两个随机样本。是的，考虑到样本的大小，它们应该具有几乎相同的平均值。这是大数定律的一个简单效果：从同一人群中采集的样本往往具有相同的平均值。

好的！在阅读你的Answer时，我意识到我忘了说一些甚至可能加强你论点的话：我通过旋转和翻转样本扩展了我的数据集。所以我的样本确实来自同一人群。谢谢你的回答。当你得到一个解决方案时，请记住投票给有用的东西，并接受你最喜欢的答案，即使你必须自己写，这样堆栈溢出可以正确地存档问题。