如何对输入的真实图片，输出预测结果？

点击此处返回总目录           我们现在已经掌握了全连接网络的设计，学会了mnist数据集的使用，可以成功输入数字，识别准确率了。但是，程序只输出准确率是没有用的，我们希望程序可以实现实际应用：输入一张真实图片，输出预测的结果。我们还希望找到图像分类问题的套路。最起码给我一堆标注过的图片，我可以制作数据集，实现特定应用。 可见，要让程序实现特定应用，我们还有两个问题需要解决：              一个问题是，如果对输入的真实图片，输出预测结果。另一个是，如何制作数据集，实现特定应用。 ----------------------------------------------------------------------------------------------------------------------------------   我们先看第一个问题，如何对输入的真实图片，输出预测结果。                我们拿到一张，手写数字图片，要通过神经网络预测结果，就是要把这张图喂入神经网络，让神经网络输出结果y。由于网络的结构已经训练好了，固定了，要用这个网络，就要符合这个网络的输入输出接口。网络的输入是784个像素点组成的一维数组，每个像素点是01之间的浮点数，浮点数的值越接近0越黑，越接近1越白；网络的输出是10个可能性概率组成的一维数组，数组中最大的这个元素所对应的索引号就是预测的结果。   我们可以分成两个函数解决：先对手写图片testPic作预处理；当图片符合神经网络的输入要求后，再把它喂给复现的神经网络模型，输出预测值。如下图黄色的两个函数。               我们通过代码来看一下。实现输入图片输出预测值的代码中，包括以下四个文件，其中前向传播、反向传播还有测试程序与《手写数字识别准确率输出》中的完全相同。这里增加了mnist_app.py的程序。                                   【代码】 //mnist_forward.py import tensorflow as tf #首先定义了神经网络结构的相关参数 INPUT_NODE = 784                  #神经网络的输入节点是784个。因为输入的是图片像素值，每张图片是28*28=784个像素点。 OUTPUT_NODE = 10                  #输出10个数，每个数表示对应的索引号出现的概率。实现了10分类。 LAYER1_NODE = 500                 #隐藏层节点的个数   def get_weight(shape,regularizer):     w = tf.Variable(tf.truncated_normal(shape,stddev = 0.1))     #随机生成参数w     if regularizer !=None:         tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))    #如果使用正则化，则将每一个w的                                                                                                                                  #正则化损失加入到总损失集合losses