可能的原因：
1. 在数据集很大的时候，loss下降很明显。train loss是平均一个epoch内的所有loss，比如第一个epoch的loss是2.3,2.2,2.1...0.7,0.6 平均train loss是1.5， 而val的时候是用已经训练了一个epoch的model进行测试的，假设拟合的很好验证集的loss平均是0.7左右， 那么这个时候val的平均效果肯定就更好了
2. data augmentation也会导致这样的现象。因为data augmentation的本质就是把训练集变得丰富，制造数据的多样性和学习的困难来让network更robust（比如旋转，随机crop，scale），但是val和test的时候一般是不对数据进行data augmentation的。（有时候会center crop，如果train的时候有crop的话）
3. 也有可能是 drop out的影响，drop out可以理解为随机屏蔽掉一些feature（神经元），只用一部分 feature 来识别，这样留下来的这些feature就更强了。 等 test/val 的时候全部神经元一起上，表现就更好了，drop out一般用于fc层中
4. 其实在ImageNet等大数据集训练的前期到中期一直有这样的现象，一般都是最后验证精度才被训练精度反超。其原因就是对参与训练的数据加了很多data argumentation技巧，例如：rescale，随机crop等等，一般不对test/val数据进行数据增强，比如直接进行crop中心操作
5. （1）数据集太小的话，如果数据集切分的不均匀，或者说训练集和测试集的分布不均匀。这时要重新切分数据集或者扩充数据集，使其分布一样
（2）在训练期间，Dropout将这些分类器的随机集合切掉，因此，训练准确率将受到影响。在测试期间，Dropout将自动关闭，并允许使用神经网络中的所有弱分类器，因此，测试精度提高
注意：测试集精度大于训练精度并不是一个普遍现象，需要仔细检查数据集的质量、模型的结构以及训练过程中的各种参数设置
参考链接：https://blog.csdn.net/IT_flying625/article/details/105013514