假設我們已經安裝好了tensorflow。

一般在安裝好tensorflow后，都會跑它的demo，而最常見的demo就是手寫數字識別的demo,也就是mnist數據集。

然而我們僅僅是跑了它的demo而已，可能很多人會有和我一樣的想法，如果拿來一張數字圖片，如何應用我們訓練的網絡模型來識別出來，下面我們就以mnist的demo來實現它。

1.訓練模型

首先我們要訓練好模型，并且把模型model.ckpt保存到指定文件夾

saver = tf.train.Saver()   saver.save(sess, "model_data/model.ckpt") 

將以上兩行代碼加入到訓練的代碼中，訓練完成后保存模型即可，如果這部分有問題，你可以百度查閱資料，tensorflow怎么保存訓練模型，在這里我們就不羅嗦了。

2.測試模型

我們訓練好模型后，將它保存在了model_data文件夾中，你會發現文件夾中出現了4個文件

然后，我們就可以對這個模型進行測試了，將待檢測圖片放在images文件夾下，執行

# -*- coding:utf-8 -*-  import cv2 import tensorflow as tf import numpy as np from sys import path path.append('../..') from common import extract_mnist  #初始化單個卷積核上的參數 def weight_variable(shape):   initial = tf.truncated_normal(shape, stddev=0.1)   return tf.Variable(initial)  #初始化單個卷積核上的偏置值 def bias_variable(shape):   initial = tf.constant(0.1, shape=shape)   return tf.Variable(initial)  #輸入特征x，用卷積核W進行卷積運算，strides為卷積核移動步長， #padding表示是否需要補齊邊緣像素使輸出圖像大小不變 def conv2d(x, W):   return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')  #對x進行最大池化操作，ksize進行池化的范圍， def max_pool_2x2(x):   return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')   def main():      #定義會話   sess = tf.InteractiveSession()      #聲明輸入圖片數據，類別   x = tf.placeholder('float',[None,784])   x_img = tf.reshape(x , [-1,28,28,1])    W_conv1 = weight_variable([5, 5, 1, 32])   b_conv1 = bias_variable([32])   W_conv2 = weight_variable([5,5,32,64])   b_conv2 = bias_variable([64])   W_fc1 = weight_variable([7*7*64,1024])   b_fc1 = bias_variable([1024])   W_fc2 = weight_variable([1024,10])   b_fc2 = bias_variable([10])    saver = tf.train.Saver(write_version=tf.train.SaverDef.V1)    saver.restore(sess , 'model_data/model.ckpt')    #進行卷積操作，并添加relu激活函數   h_conv1 = tf.nn.relu(conv2d(x_img,W_conv1) + b_conv1)   #進行最大池化   h_pool1 = max_pool_2x2(h_conv1)    #同理第二層卷積層   h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2)   h_pool2 = max_pool_2x2(h_conv2)      #將卷積的產出展開   h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])   #神經網絡計算，并添加relu激活函數   h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1)    #輸出層，使用softmax進行多分類   y_conv=tf.nn.softmax(tf.matmul(h_fc1, W_fc2) + b_fc2)    # mnist_data_set = extract_mnist.MnistDataSet('../../data/')   # x_img , y = mnist_data_set.next_train_batch(1)   im = cv2.imread('images/888.jpg',cv2.IMREAD_GRAYSCALE).astype(np.float32)   im = cv2.resize(im,(28,28),interpolation=cv2.INTER_CUBIC)   #圖片預處理   #img_gray = cv2.cvtColor(im , cv2.COLOR_BGR2GRAY).astype(np.float32)   #數據從0~255轉為-0.5~0.5   img_gray = (im - (255 / 2.0)) / 255   #cv2.imshow('out',img_gray)   #cv2.waitKey(0)   x_img = np.reshape(img_gray , [-1 , 784])    print x_img   output = sess.run(y_conv , feed_dict = {x:x_img})   print 'the y_con :  ', '/n',output   print 'the predict is : ', np.argmax(output)    #關閉會話   sess.close()  if __name__ == '__main__':   main()