train是训练集，val是训练过程中的测试集，是为了让你在边训练边看到训练的结果，及时判断学习状态。test就是训练模型结束后，用于评价模型结果的测试集。只有train就可以训练，val不是必须的，比例也可以设置很小。test对于model训练也不是必须的，但是一般都要预留一些用来检测，通常推荐比例是8:1:1
val是validation的简称。training dataset和validation dataset都是在训练的时候起作用。而因为validation的数据集和training没有交集，所以这部分数据对最终训练出的模型没有贡献。validation的主要作用是来验证是否过拟合、以及用来调节训练参数等。
比如训练0-10000次迭代过程中，train和validation的loss都是不断降低，但是从10000-20000过程中train loss不断降低，validation的loss不降反升。那么就证明继续训练下去，模型只是对training dataset这部分拟合的特别好，但是泛化能力很差。所以与其选取20000次的结果，不如选择10000次的结果。这个过程的名字叫做Early Stop，validation数据在此过程中必不可少。
如果跑caffe自带的训练demo，你会用到train_val.prototxt，这里面的val其实就是validation。而网络输入的TEST层，其实就是validation，而不是test。你可以通过观察validation的loss和train的loss定下你需要的模型。
但是为什么现在很多人都不用validation了呢？我的理解是现在模型中防止过拟合的机制已经比较完善了，Dropout\BN等做的很好了。而且很多时候大家都用原来的模型进行fine tune，也比从头开始更难过拟合。所以大家一般都定一个训练迭代次数，直接取最后的模型来测试。