Keras手写数字识别模型训练准确率近99%但预测效果极差求助

问题1：输出层神经元数量配置错误 #

MNIST手写数字只有0-9共10个分类，你输出层设置了20个神经元，和分类目标完全不匹配，模型输出结果本身就不符合预期，把输出层的units参数改成10即可。

问题2：模型严重过拟合 #

你训练了50个epoch，且只在训练集上评估准确率，此时模型已经把训练集样本完全“背下来”了，没有泛化到新图片的能力：

• 把epoch调整到3-5轮就足够，MNIST数据集非常简单，训练太多轮只会导致过拟合
• 评估模型效果时要运行model.evaluate(a_test, b_test)看测试集准确率，训练集准确率没有参考价值
• 可以在隐藏层后添加tf.keras.layers.Dropout(0.2)层，降低过拟合概率

问题3：预测图片没有做归一化处理 #

你训练阶段对所有训练、测试样本都做了normalize归一化，把像素值压缩到0-1区间，但你自己读取的预测图片只做了反转，没有做和训练阶段一致的归一化操作，输入数据分布和模型训练时的分布完全不同，模型自然识别不准。你需要对读入的img做和训练集一致的归一化处理：

img = tf.keras.utils.normalize(img, axis=1)

额外优化建议 #

• 加载本地图片后可以先打印像素值、尺寸，确认和MNIST数据集格式完全对齐，比如MNIST是黑背景白数字，确认反转操作后确实符合这个格式
• 训练完可以先拿测试集样本做一次预测，确认模型在测试集上准确率正常后，再用自己的图片测试，排除模型本身的问题

内容的提问来源于stack exchange，提问作者Colorly