标题已经说明了一切：神经网络是否应该达到完美的训练准确度？我的神经网络的准确度在约0.9时达到饱和，我想知道这是否表明我的网络或训练数据存在问题。
训练实例：大约4500个序列，平均长度为10个元素。网络：带有顶部softmax层的双向普通RNN。
回答：
在训练数据上达到完美准确度通常是称为过拟合（https://en.wikipedia.org/wiki/Overfitting）的现象的标志，模型可能对未见过的数据的泛化能力较差。因此，不，这本身可能并不表明存在问题（你可能仍然在过拟合，但仅凭你的问题中的信息无法判断）。
你应该检查神经网络在验证集（网络在训练过程中未见过的数据）上的准确度，并判断其泛化能力。通常这是一个迭代过程，你需要并行训练多个具有不同配置的网络，并查看哪个在验证集上表现最佳。另见交叉验证（https://en.wikipedia.org/wiki/Cross-validation_(statistics)）
如果你的测量噪声较低，模型可能仍然无法达到零训练误差。这可能是由于多种原因造成的，包括模型不够灵活，无法捕捉真正的底层函数（这可能是一个复杂的、高维的、非线性的函数）。你可以尝试增加隐藏层的数量和节点数，但你必须小心同样的问题，如过拟合，并且只能通过交叉验证的评估来判断。
通过增加模型复杂性，你肯定可以在训练数据集上获得100%的准确度，但我对此持谨慎态度。
