深度学习模型训练集准确率能到100%，验证集准确率99.3%，如何能保持训练集准确率跟验证集准确率差不多同步上升，且最终维持在差不多的水平

要保持训练集和验证集的准确率差不多同步上升，并最终维持在差不多的水平，可以尝试以下方法：

1. 更大的训练集：如果训练集较小，模型可能会过拟合。通过增加训练数据量，可以提高模型的泛化能力，从而减少过拟合现象。

2. 数据增强：对训练数据进行增强操作，如旋转、平移、缩放等，可以扩充训练集的多样性，使模型更好地学习到数据的不变性和泛化能力。

3. 正则化技术：使用正则化技术，如L1或L2正则化、dropout等，可以减少模型的复杂性，防止过拟合。

4. 提前停止训练：监控验证集准确率，当验证集准确率不再提高时，可以提前停止训练，以避免过拟合。

5. 交叉验证：使用交叉验证来评估模型的性能，并选择最佳的超参数配置。这样可以更好地了解模型在不同数据集上的泛化能力。

6. 模型调整：尝试调整模型的结构或超参数，如增加/减少层数、调整网络的宽度、调整学习率等，以获得更好的平衡。

7. 集成学习：使用集成学习方法，如投票、平均等，将多个模型的预测结果结合起来，可以提高模型的稳定性和泛化能力。

请注意，不同的问题和数据集可能需要不同的方法来解决过拟合问题。因此，建议您根据具体情况尝试以上方法，并根据实验结果进行调整。