深度学习训练，准确率骤降，loss不变，怎么回事？

可能是出现了过拟合现象。过拟合是指模型在训练集上表现良好，但在测试集上表现较差的现象。在深度学习中，过拟合通常是由于模型过于复杂，训练数据不足或者训练过程中的超参数设置不当等原因导致的。

解决过拟合的方法包括：

1. 增加训练数据量，可以有效地减少过拟合现象。

2. 使用正则化方法，如L1、L2正则化等，可以限制模型的复杂度，避免过拟合。

3. 使用dropout技术，可以随机地丢弃一些神经元，减少模型的复杂度，避免过拟合。

4. 调整模型的超参数，如学习率、批次大小等，可以优化模型的训练过程，避免过拟合。

5. 使用集成学习方法，如bagging、boosting等，可以将多个模型的结果进行组合，提高模型的泛化能力，避免过拟合。