一家制造商有8个缺陷类别，每个类别提供了大约100,000张图像。在训练过程中，模型达到了90%的训练准确率，但验证准确率只有80%，而人类水平的性能约为90%。您应该调查什么来解决这个差距？

训练准确率高而验证准确率低，且与人类水平性能存在差距，这通常表明模型过拟合。过拟合意味着模型在训练数据上表现良好，但未能泛化到未见过的数据。应用某种形式的正则化（如L1/L2正则化、Dropout、数据增强）可以帮助减少模型的复杂性，防止其过度学习训练数据中的噪声和细节，从而提高泛化能力。 训练更长时间可能会加剧过拟合，因为模型有更多机会记住训练数据。增加网络容量会使模型更复杂，更容易过拟合，除非同时施加更强的正则化。尝试不同的优化器主要影响收敛速度和找到最优解的能力，对解决过拟合的效果不如正则化直接。