train_loss不变test_loss上升

当训练损失(train_loss)不变而测试损失(test_loss)上升时，通常是模型出现了过拟合(overfitting)的现象。过拟合是指模型在训练数据上表现良好，但在测试数据上表现不佳的情况。这是因为模型已经过度适应了训练数据，导致泛化能力较差，不能很好地处理新的数据。

为了解决过拟合问题，有以下几种方法：

1.增加训练数据量：可以通过收集更多的数据来减少过拟合。

2.正则化(Regularization)：通过添加L1或L2正则化项，限制模型的复杂度，避免过度拟合。

3.早停(Early stopping)：在训练过程中，观察测试损失的变化，当测试损失开始上升时，停止训练，避免过度拟合。

4.Dropout：在训练过程中，随机丢弃一些神经元，减少神经网络的复杂度，避免过度拟合。

以上是一些常用的方法，需要根据具体情况进行选择和调整。