嘿，这个问题我之前帮不少开发者解决过——你的LeNet-5在MNIST上能跑98%准确率，但碰自己拍的手写数字就拉胯，核心原因就是训练数据和测试数据的分布完全不一样（行业里叫“分布偏移”），咱们一步步来排查和解决：

1. 先检查灰度图的像素模式是否匹配MNIST #

MNIST的图片是黑底白字：背景像素值是0（纯黑），数字是255（纯白）。但你用手机拍的照片大概率是白底黑字，这相当于把输入完全反转了，模型肯定认不出来！

你可以在灰度转换后加一步像素反转：

from PIL import Image, ImageOps

# 你的原有代码
im = Image.open(path)
im_resized = im.resize((28, 28))  # 注意LeNet-5输入是28x28，这里要明确size
gr = ImageOps.grayscale(im_resized)

# 新增：反转像素，匹配MNIST的黑底白字
gr = ImageOps.invert(gr)

另外，记得和训练时的归一化逻辑保持一致——比如MNIST训练时通常会把像素值缩到[0,1]，那你也要做同样的处理：

import numpy as np
img_array = np.array(gr) / 255.0
# 如果训练时用了减均值/除标准差，也要对应上

2. 预处理流程要和训练时完全对齐 #

除了像素反转，这些细节也很关键：

• 数字要居中：MNIST的数字都是居中的，你拍的照片可能数字偏左/偏右，试试先裁剪出数字的区域，再resize到28x28：
  可以用PIL的getbbox()方法找到数字的边界框，然后裁剪：

  bbox = gr.getbbox()
  if bbox:
      gr_cropped = gr.crop(bbox)
      gr_resized = gr_cropped.resize((28, 28))
  

• 降噪处理：拍摄的照片可能有噪点，用高斯模糊轻量处理下：

  from PIL import ImageFilter
  gr = gr.filter(ImageFilter.GaussianBlur(radius=0.5))
  

• 二值化阈值：把灰度图转成纯黑纯白的二值图，过滤掉浅灰色的背景干扰：

  threshold = 127  # 可以根据你的照片亮度调整，比如调到150或100
  img_binary = gr.point(lambda x: 0 if x < threshold else 255)
  

3. 给模型做少量微调，适配你的数据 #

LeNet-5的容量很小，对陌生数据的泛化能力弱。你可以用自己拍的10-20张手写数字图片（每个数字拍几张）做微调：

• 冻结模型的前几层（卷积层），只训练最后的全连接层
• 用很小的学习率（比如1e-4）训练几个epoch，让模型快速适应你的手写风格

4. 拍摄时的小技巧 #

• 用纯白背景，避免复杂纹理
• 光线均匀，不要有阴影
• 数字尽量写得和MNIST里的风格接近（粗细、大小）

如果还有后续问题，比如微调的具体代码、阈值怎么调更合适，随时补充细节就行～

内容的提问来源于stack exchange，提问作者Abhisek