验证集不是测试集

名称决定结论边界

验证集用于训练过程中的模型选择和调参。测试集应尽量留到最终评估。如果训练过程中反复查看一份数据的准确率，并根据它选择模型或修改参数，这份数据承担的就是验证角色。

这个区别看起来只是名称，实际会影响结论能走多远。验证准确率可以说明某个训练设置下的模型选择依据，但不能自动变成独立测试结果。

先记录数据怎样被切分

在 CNN 结构对照项目中，CIFAR-10 训练数据被划分为 45,000 张训练样本和 5,000 张验证样本，并保留 10,000 张测试样本。划分使用固定随机种子，训练流程记录了优化器、学习率、权重衰减和训练轮数。

这些设置让训练曲线有了上下文。曲线里的 validation accuracy 仍然是验证指标，即使代码里同时存在测试 DataLoader，只要没有执行并记录独立测试评估，就不能发布测试准确率。

项目页面也要遵守同一规则

智图寻宝项目记录了 6,214 张验证图片上的结果，包括 99.32% 验证准确率和 99.04% macro F1。它们是可核对的验证指标，所以项目卡明确写 VAL ACC，没有把它缩写成模糊的“模型准确率”。

同样，U-Net 的 0.008605 被描述为最佳验证损失。损失数值只有在数据划分、损失函数和训练设置明确时才有意义。

图表至少回答四个问题

发布一条训练曲线之前，我会检查它是否能回答：

1. 数据来自训练集、验证集还是测试集。
2. 横轴代表 epoch、step 还是其他单位。
3. 纵轴是 accuracy、loss 还是另一个指标。
4. 曲线对应哪个模型和哪组训练设置。

如果这些信息缺失，一张看起来完整的图仍然难以复现，也容易被误读。

结果表述要和证据一一对应

比较 CNN、Inception 和 ResNet 时，可以描述验证曲线在特定设置下的差异，但不能据此声称某种结构普遍最好。模型结构只是实验变量之一，训练轮数、数据增强、优化器和随机种子都可能改变观察结果。

诚实地缩小结论范围并不会削弱项目。相反，它让读者知道哪些内容来自代码，哪些来自验证记录，哪些仍需要独立测试。