机器学习Tensorflow基于MNIST数据集识别自己的手写数字（读取和测试自己的模型）

更新：

2018.11.9：
我把代码，模型，测试图片放上来了，可以下载了，记得自行配置相关库
下载地址：
https://download.csdn.net/download/qq_38269418/10774623

另外，有个网址很有意思，以前忘记放上来了，可以帮你很好理解神经网络的模型！
http://scs.ryerson.ca/~aharley/vis/conv/

2018.12.5:
上面那个网址好像现在需要挂VPN了，不然打不开

以下为原博：

废话不多说，先上效果图

整体来看，效果是非常不错的，模型的训练，参照官方代码mnist_deep.py，准确率是高达99.2%

---

那么，我是怎么实现的呢？

一.读懂卷积神经网络代码（至少得把程序跑通）

首先参照Tensorflow中文社区教程传送门：
http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html
能在自己的环境中成功运行代码，具体代码的实现我就不在这里具体赘述了，因为关于代码的文章太多了，百度都能一大堆。博主是参照了Tensorflow中社区教程如图：

（注意一点：关于教程的print函数）

在博主用的Python3.6版本中，print已经成为了一个函数，而在Python2.7当中print不是一个函数，这里博主是需要加上括号。
所以根据自己所用的版本，更改这里，例如

print（"Hello")  python3.6
print "Hello"   python2.7

如果你按照教程，将代码跑通之后，可以进行下一步了。那就是将模型保存，只需调用一个简单的函数，以下就是博主根据教程敲得完整代码：

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

mnist = input_data.read_data_sets('F:/DEEPLEARN/Anaconda/Lib/site-packages/tensorflow/examples/tutorials/mnist/MNIST_data', one_hot=True) #MNIST数据集所在路径

x = tf.placeholder(tf.float32, [None, 784])

y_ = tf.placeholder(tf.float32, [None, 10])


def weight_variable(shape):
    initial = tf.truncated_normal(shape,stddev = 0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1,shape = shape)
    return tf.Variable(initial)

def conv2d(x,W):
    return tf.nn.conv2d(x, W, strides = [1,1,1,1], padding = 'SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')

W_conv1 = weight_variable(