先驗證集是不參與梯度下降的過程的，所以我想那么做也是可以，只是和使用驗證集的初衷不一樣了（其實就是沒理解驗證集在干嘛，還說的那么好聽 😦）。
驗證集的作用：
使用驗證集是為了 快速調參，也就是用驗證集選擇超參數（網絡層數，網絡節點數，迭代次數，學習率這些）。另外用驗證集還可以監控模型是否異常（過擬合啦什么的），然后決定是不是要提前停止訓練。
驗證集的關鍵在於 選擇超參數，我們手動調參是為了讓模型在驗證集上的表現越來越好，如果把測試集作為驗證集，調參去擬合測試集，就有點像作弊了。
而測試集既 不參與參數的學習過程，也 不參與參數的選擇過程，僅僅用於模型評價。
驗證集的正確打開方式：
驗證集可以看做參與了 “人工調參” 的訓練過程
一般訓練幾個 epoch 就跑一次驗證看看效果（大部分網絡自帶這個功能）
這樣做的第一個好處是：可以及時發現模型或者參數的問題，比如模型在驗證集上發散啦、出現很奇怪的結果啦（Inf）、mAP不增長或者增長很慢啦等等情況，這時可以及時終止訓練，重新調參或者調整模型，而不需要等到訓練結束。
另一個好處是驗證模型的泛化能力，如果在驗證集上的效果比訓練集上差很多，就該考慮模型是否過擬合了。同時，還可以通過驗證集對比不同的模型。
訓練集是用來訓練參數的，說准確點，一般是用來梯度下降的。而驗證集基本是在每個epoch完成后，用來測試一下當前模型的准確率。因為驗證集跟訓練集沒有交集，因此這個准確率是可靠的。
事實上，對於一個模型來說，其參數可以分為普通參數和超參數。在不引入強化學習的前提下，那么普通參數就是可以被梯度下降所更新的，也就是訓練集所更新的參數。另外，還有超參數的概念，比如網絡層數、網絡節點數、迭代次數、學習率等等，這些參數不在梯度下降的更新范圍內。盡管現在已經有一些算法可以用來搜索模型的超參數，但多數情況下我們還是自己人工根據驗證集來調。