train是訓練集，val是訓練過程中的測試集，是爲了讓你在邊訓練邊看到訓練的結果，及時判斷學習狀態。test就是訓練模型結束後，用於評價模型結果的測試集。只有train就可以訓練，val不是必須的，比例也可以設置很小。test對於model訓練也不是必須的，但是一般都要預留一些用來檢測，通常推薦比例是8:1:1
val是validation的簡稱。training dataset和validation dataset都是在訓練的時候起作用。
而因爲validation的數據集和training沒有交集，所以這部分數據對最終訓練出的模型沒有貢獻。validation的主要作用是來驗證是否過擬合、以及用來調節訓練參數等。
比如訓練0-10000次迭代過程中，train和validation的loss都是不斷降低，
但是從10000-20000過程中train loss不斷降低，validation的loss不降反升。
那麼就證明繼續訓練下去，模型只是對training dataset這部分擬合的特別好，但是泛化能力很差。
所以與其選取20000次的結果，不如選擇10000次的結果。
這個過程的名字叫做Early Stop，validation數據在此過程中必不可少。
如果跑caffe自帶的訓練demo，你會用到train_val.prototxt，這裏面的val其實就是validation。
而網絡輸入的TEST層，其實就是validation，而不是test。你可以通過觀察validation的loss和train的loss定下你需要的模型。
但是爲什麼現在很多人都不用validation了呢？
我的理解是現在模型中防止過擬合的機制已經比較完善了，Dropout\BN等做的很好了。
而且很多時候大家都用原來的模型進行fine tune，也比從頭開始更難過擬合。
所以大家一般都定一個訓練迭代次數，直接取最後的模型來測試。