MNIST手写数字识别模型自测试准确率仅67%，求排查原因

核心问题：数据分布与预处理流程不匹配 #

你的模型在MNIST官方测试集表现良好，但自定义图片准确率偏低，主要源于以下几个关键问题：

• 训练与测试数据分布差异显著
  MNIST数据集的图片是标准化的28×28手写数字：黑底白字、数字居中、笔画粗细和位置相对固定。而你用文本生成的数字图片，大概率在字体风格、数字大小、位置偏移、背景/前景配色上和MNIST完全不同，模型从未学习过这类样本的特征，泛化能力自然无法适配。

• 预处理流程不一致
  训练阶段你对MNIST数据做了tf.keras.utils.normalize(..., axis=1)归一化，把像素值缩放到0-1区间，但测试自定义图片时，仅做了反转操作，没有执行相同的归一化。输入数据的数值分布和训练时完全不同，模型无法正确提取有效特征。

• 图片尺寸与反转逻辑问题
  你读取自定义图片时没有做尺寸调整，如果生成的图片不是28×28，直接输入模型会导致输入形状不匹配（模型输入要求为(28,28)），特征结构完全混乱。另外，反转逻辑可能有误：如果你的文本图片本身就是黑底白字，np.invert会把它变成白底黑字，和训练集的特征完全颠倒。

• 测试样本量过小
  仅测试9张图片得出67%的准确率存在偶然性，无法真实反映模型的泛化能力，建议增加不同风格的测试样本数量。

修正方案 #

针对上述问题，调整测试阶段的代码逻辑，统一预处理流程：

for x in range(1,10):
    img = cv.imread(f'{x}.png')[:,:,0]
    # 强制将图片 resize 到28×28，匹配模型输入尺寸
    img = cv.resize(img, (28, 28))
    # 根据图片实际配色调整反转逻辑：如果是白底黑字则反转，否则跳过
    if np.mean(img) > 127:  # 白底图片的平均像素值更高
        img = np.invert(img)
    # 执行与训练集完全一致的归一化操作
    img = tf.keras.utils.normalize(img, axis=1)
    img = np.array([img])
    prediction = model.predict(img)
    print(f'guess: {np.argmax(prediction)}')
    plt.imshow(img[0], cmap=plt.cm.binary)
    plt.show()

内容的提问来源于stack exchange，提问作者keith