验证集的整个想法是模型不知道这些数据，因此您可以获得模型性能的无偏估计。然后根据这种无偏估计，您可以找到模型的最佳参数。问题是，找到超参数本身就是训练模型的一种方式。因此，通过优化超参数，模型开始过度拟合验证集。这就是为什么要检查模型的真实准确性，您实际上需要数据的不同部分，而您的模型从未见过。这是数据的测试部分。

因此，在您的情况下，当您没有任何超参数时，您可以在训练和测试中使用除法。

如果您想要更高的准确度来估计模型的准确度，那么最好使用交叉验证，而不是仅仅在训练和测试上进行划分。神经网络通常不进行完全交叉验证，因为这意味着将计算时间增加数倍（5 次用于 5 倍交叉验证）。

使用超参数，理想的方法是进行双重交叉验证。一个用于验证集，一个用于测试集。这在计算上太昂贵了，所以它只用于非常简单的模型，比如岭回归。

据我所知，很少有模型没有超参数。通常那些没有超参数的性能不如那些有的。岭回归通常优于线性回归。具有可变层数的神经网络比全自动神经网络表现更好。