Machine learning 在MNIST数据集上训练CNN的数字识别性能较差

我使用

MNIST

数据集训练了一个

CNN

（关于

tensorflow

）进行数字识别。 测试集的准确率接近

98%

我想用我自己创造的数据预测数字，结果很糟糕

我对自己写的图像做了什么？

我将每个数字分割出来，转换成灰度，将图像大小调整为

28x28

，然后输入模型

为什么我的数据集的精确度如此之低，而测试集的精确度如此之高

还有其他我应该对图像进行的修改吗

编辑：

以下是图片的主要内容和一些示例：

---

排除bug和明显的错误，我猜想您的问题在于，您捕获手写数字的方式与您的训练集太不一样了

捕获数据时，应尽量模仿创建MNIST数据集的过程：

从：

来自NIST的原始黑白（二层）图像的大小相同 规格化以适合20x20像素的长方体，同时保留其外观 比率生成的图像包含由于以下原因而产生的灰度： 标准化算法使用的抗锯齿技术。这个 通过计算质心，将图像集中在一张28x28的图像中 并平移图像以定位该点 在28x28字段的中心

如果您的数据在培训和测试阶段有不同的处理，则您的模型无法从培训数据概括到测试数据

因此，我有两个建议：

尝试捕获和处理数字图像，使其看起来尽可能与MNIST数据集相似

将一些示例添加到训练数据中，以允许模型在与正在分类的图像相似的图像上进行训练

---

对于那些仍然很难接受基于CNN的MNIST模型质量差的人：

---

规范化是关键。

能否提供数据集中的一些示例？请在此处上载图像。@SilverSlash我添加了图像的链接图像背景为灰色？@kvmanohar请上载图像和MNIST数据集的示例，而不仅仅是链接