機器學習Tensorflow基於MNIST資料集識別自己的手寫數字（讀取和測試自己的模型）
更新：
以下為原博：
廢話不多說，先上效果圖
整體來看，效果是非常不錯的，模型的訓練，參照官方程式碼mnist_deep.py，準確率是高達99.2%
那麼，我是怎麼實現的呢？
一.讀懂卷積神經網路程式碼（至少得把程式跑通）
首先參照Tensorflow中文社群教程傳送門：
http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html
能在自己的環境中成功執行程式碼，具體程式碼的實現我就不在這裡具體贅述了，因為關於程式碼的文章太多了，百度都能一大堆。博主是參照了Tensorflow中社群教程如圖：
（注意一點：關於教程的print函式）
在博主用的Python3.6版本中，print已經成為了一個函式，而在Python2.7當中print不是一個函式，這裡博主是需要加上括號。
所以根據自己所用的版本，更改這裡，例如
print（"Hello") python3.6
print "Hello" python2.7
如果你按照教程，將程式碼跑通之後，可以進行下一步了。那就是將模型儲存，只需呼叫一個簡單的函式，以下就是博主根據教程敲得完整程式碼：
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' 以上，是我的mnistdeep.py程式碼，用於匯入MNIST資料集-建立模型-儲存模型到指定路徑。
儲存的路徑會出現四個檔案，具體每個檔案是幹嘛的，自己百度吧，我不在這裡贅述了：
二.測試自己的剛才儲存的模型
from PIL import Image, ImageFilter
import tensorflow as tf
import matplotlib.pyplot as plt
def imageprepare():
im = Image.open('C:/Users/考拉拉/Desktop/4.png') #讀取的圖片所在路徑，注意是28*28畫素
plt.imshow(im) #顯示需要識別的圖片
plt.show()
im = im.convert('L')
tv = list(im.getdata())
tva = [(255-x)*1.0/255.0 for x in tv]
return tva
result=imageprepare()
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([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x,[-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
saver.restore(sess, "C:/Users/考拉拉/Desktop/SAVE/model.ckpt") #使用模型，引數和之前的程式碼保持一致
prediction=tf.argmax(y_conv,1)
predint=prediction.eval(feed_dict={x: [result],keep_prob: 1.0}, session=sess)
print('識別結果:')
print(predint[0])
這是我的test.py程式碼，用於讀取剛才儲存的模型-匯入測試圖片-測試輸出結果
三.製作測試圖片
我們的模型需要輸入的是28 X 28畫素的手寫體數字圖片，如果圖片尺寸不等於28 X 28，可以參照上一篇部落格用opencv進行處理。
這裡，為了方便，我使用PS製作。
這裡，需要大家按照我的步驟進行繪製，不然會出現一些問題，在文章末尾我會為大家總結避坑。
第一步：開啟ps建立畫素為28 X 28的畫布，填充白色如圖
第二步：找到畫筆工具，使用柔邊畫筆，三畫素，進行圖片繪製（前景色黑/背景色白）
第三步：繪製的圖片另存為格式png（png相對jpg，儲存資訊更完整）
第四步：更改test.py讀取為要測試圖片的路徑，然後執行
大功告成
問題總結：
一.為什麼要用3畫素柔邊畫筆？（不一定要3，隨便你）
之前我用的小方塊繪製測試圖片，做了很多測試，可是發現正確率很低，很容易出錯，我做的圖片如圖：
困擾了我很久，我忽然想到MNIST是手寫體文字，那麼手寫體和我畫的圖有什麼區別呢？我將處理後的每個畫素儲存的值輸出：
手寫體：
我做的圖：
顯而易見，錯誤率是由於測試圖片不對導致的！
我們訓練的MNIST注意是手寫體，手寫體並不是我畫的圖那樣只存在0和1兩個數值，而是處在0~1之間的一個值如圖：
而如果，訓練資料是二值圖（MNIST資料集也可以通過閾值處理轉化為二值圖）。那麼我輸出這種二值圖圖片，當然，機器是不會出錯的啦。
二.關於西方手寫體和東方手寫體
但我解決了上一個問題後，我發現準確率還是不能保證上去，特別是5，6傻傻分不清如圖：
於是，我搜索部分了訓練用的MNIST資料集（仔細看6）：
我他孃的義大利。。。。。。面呢。。。。
於是乎，我重新畫了許多張西方手寫體的6：
基本不會出錯了
三.關於3.6和2.7的print上面已經介紹了
四.其他關於識別率的問題，大多都是尺寸，格式之類的問題了
其他什麼地方有問題，歡迎評論區指正