总结：
深度学习论文和 GitHub 上通常报告的准确率指标,一般是指模型在测试集上的准确率,而不是训练过程中的验证集准确率。
以下是深入解释:
训练集准确率:
这个指标反映了模型在训练数据上的拟合程度,通常很高,不能反映模型的泛化能力。验证集准确率:
这个指标用于监控训练过程中模型在未见过的数据上的性能,帮助选择最优的模型参数和超参数。验证集准确率比训练集准确率低,能更好地预示模型在未知数据上的表现。测试集准确率:
这是最终用于评估模型性能的关键指标,反映了模型在全新数据上的泛化能力。论文和 GitHub 通常会报告在测试集上的准确率,因为这才是最能代表模型实际性能的指标。在深度学习领域,研究者更关注模型在未知数据上的表现,因为这才是真正反映模型泛化能力的指标。因此,论文和 GitHub 上报告的准确率通常都是针对测试集的结果,而不是训练过程中的验证集准确率。
总之,如果论文或 GitHub 上没有特别说明,我们可以默认报告的准确率指标都是针对测试集的结果,而不是训练过程中的验证集数据。
参考：
深度学习中论文放的准确率是训练过程中的验证集准确率，还是测试集准确率? - 知乎