tensorflow CNN训练mnist数据集后识别自己写的数字效果不好

MNIST数据集与你自己采集的图像，实际上是两个不同的数据集，你在MNIST上训练，然后在你的数据集上测试，测试性能不好是十分正常的。这实际上涉及在两个相似但是不同的域之间的迁移学习的问题。有三个办法解决你的问题：

1、对你自己的数据集进行正确的归一化，包括裁剪、平移、缩放、二值化等，让它们至少看起来与MNIST数据集中的图像类似，这样识别率会改善。

2、先在MNIST上训练你的CNN模型（预训练），再用你自己的数据集进行训练（精调），一般也可以获得识别率的提升；

3、如果想获得更高的识别率，建立自己的大规模数据集（规模与MNIST相当），然后直接训练。

这是很正常的，mnist是一个非常“理想”的数据集，它的每个数字大小都差不多，都位于图像的中间，灰度和粗细都适当。
你取得了很好的识别效果，说明你的训练过拟合（over fitting）了而已。这种训练不能说明什么。
当然，你做一个dropout可能会减少过拟合，但是要知道，mnist本身的识别看似容易，但是会让你产生错觉。

MNIST 只是相当于你初学代码 printf“hello world”，如果你想用这个数据集训练出来的模型来达到你实用未免有些天真

一开始我不知道是图片的问题，后来我在电脑上输入数字，然后截图（数字要在截图的正中央），发现代码是能正确识别截图的