最常見的原因：過擬合。

過擬合要說起來還不少，主要包括（深度學習中）：

1. 數據量小，網絡復雜；
2. learningrate比較高，又沒有設置任何過擬合的機制；

解決辦法有：

1. 簡化模型，利用現有深度學習手段增加數據（翻轉、平移、隨機裁剪、imgaug）；
2. 利用dropout層；
3. 利用正則化。

這是機器學習中的一個過擬合現象，說明你的模型訓練不夠好，還需要改進。這并不是意味著你的模型預測準確率達到了上限。如果單純在訓練集就達到百分百的準確度完全是有辦法的，畢竟訓練集是已知的，難的就在于如何讓他在測試集依然有較高的預測率。

在機器學習中，過擬合現象并不少見。問題多半出現在模型訓練上，我知道我這樣說很籠統，但是沒辦法，我也不知道具體指的什么算法，就只能大致說說。你建模的方式中間會不會出現問題，是否可以加入一些參數進行調節，在你的訓練過程中一點點的進行調試。

本來機器學習這些都有很多的不確定性。所以要不斷地調試，要耐住性子。