代碼處理過程
1影所，模型的要求是黑底白字氢哮，但輸入的圖是白底黑字，所以需要對每個像素點(diǎn)的值改為255減去原值以得到互補(bǔ)的反色
2型檀，對圖片做二值化處理
3，把圖片形狀拉成1行784列听盖，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胀溺，計(jì)算求得輸出y裂七，y的最大值所對應(yīng)的列表索引號就是預(yù)測結(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)測值
def restore_model(testPicArr):
#創(chuàng)建一個默認(rèn)圖仓坞，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)測值
preValue=tf.argmax(y,1)
#實(shí)現(xiàn)滑動平均模型背零，參數(shù)MOVING_AVERAGE_DECAY用于控制模型更新的速度
#訓(xùn)練過程中會對每一個變量維護(hù)一個影子變量，這個影子變量的初始值
#就是相應(yīng)變量的初始值无埃，每次變量更新時徙瓶，影子變量就會隨之更新
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嫉称，轉(zhuǎn)變灰度圖侦镇，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
