某製造商有 8 個瑕疵類別，每個類別提供了約 100,000 張影像。在訓練期間，模型的訓練準確度達到 90%，但驗證準確度只有 80%，而人類水準的表現約為 90%。您應該調查哪些方面來解決這個落差？

訓練準確度高於驗證準確度，且兩者與人類水準表現之間存在 10% 的差距，這強烈暗示模型過度擬合訓練資料。過度擬合表示模型在訓練資料上表現良好，但在未見過的資料（驗證集）上表現不佳。應用正規化（例如 L1/L2 正規化、Dropout 或資料增強）是解決過度擬合的有效方法，它能限制模型的複雜度，使其更好地泛化到新資料。訓練更長時間可能會加劇過度擬合。增加網路容量會讓模型更複雜，更容易過度擬合。嘗試不同的優化器主要影響收斂速度和找到局部最小值，不太可能直接解決過度擬合問題。