代碼處理過程

1，模型的要求是黑底白字，但輸入的圖是白底黑字，所以需要對(duì)每個(gè)像素點(diǎn)的值改為255減去原值以得到互補(bǔ)的反色
2，對(duì)圖片做二值化處理
3，把圖片形狀拉成1行784列，并把值變成浮點(diǎn)型（要求像素點(diǎn)是0-1之間的浮點(diǎn)數(shù)）
4，計(jì)算求得輸出y，y的最大值所對(duì)應(yīng)的列表索引號(hào)就是預(yù)測(cè)結(jié)果

示例代碼

#coding:utf-8
#將符合神經(jīng)網(wǎng)絡(luò)輸入要求的圖片喂給復(fù)現(xiàn)的神經(jīng)網(wǎng)絡(luò)模型，輸出預(yù)測(cè)值
def restore_model(testPicArr):
    #創(chuàng)建一個(gè)默認(rèn)圖，在該圖中執(zhí)行以下操作
    with tf.Graph().as_default() as tg:
        x=tf.placeholder(tf.float32,[None,mnist_forword.INPUT_NONE])
        y=mnist_forword.mnist_forword(x,None)
        #得到概率最大的預(yù)測(cè)值
        preValue=tf.argmax(y,1)

        #實(shí)現(xiàn)滑動(dòng)平均模型，參數(shù)MOVING_AVERAGE_DECAY用于控制模型更新的速度
        #訓(xùn)練過程中會(huì)對(duì)每一個(gè)變量維護(hù)一個(gè)影子變量，這個(gè)影子變量的初始值
        #就是相應(yīng)變量的初始值，每次變量更新時(shí)，影子變量就會(huì)隨之更新
        variable_averages=tf.train.ExponentialMovingAverage(mnist_backward.MOVING_AVERAGE_DECAY)
        variable_to_restore=variable_averages.variable_to_restore()
        saver=tf.train.Saver(variable_to_restore)

        with tf.session() as sess:
            #通過checkpoint文件定位到最新保存的模型
            ckpt=tf.train.get_checkpoint_state(mnist_backward.MODEL_SAVE_PATH)
            if ckpt and ckpt.model_checkpoint_path:
                saver.restore(sess,ckpt.model_checkpoint_path)

                preValue=sess.run(preValue,feed_dict={x:testPicArr})
                return preValue
            else:
                print("No checkpoint file found")
                return -1

#預(yù)處理函數(shù)，包括resize，轉(zhuǎn)變灰度圖，二值化操作
def pre_pic(picName):
    img=Image.open(picName)
    prIm=img.resize((28,28),Image.ANTIALIAS)
    im_arr=np.array(reIm.convert('L'))
    #設(shè)定合理的闕值
    threshold=50
    for i in range(28):
        for j in range(28):
            im_arr[i][j]=255-im_arr[i][j]
            if(im_arr[i][j]<threshold):
                im_arr[i][j]=0
            else:
                im_arr[i][j]=255
    nm_arr=im_arr.reshape([1,784])
    nm_arr=nm_arr.astype(np.float32)
    img_ready=np.multiply(nm_arr,1.0/255.0)

    return img_ready

參考：人工智能實(shí)踐：Tensorflow筆記