我目前是TensorFlow的新手，我已经用MNIST数据集训练了一个模型，现在我制作了一些带有数字的图片，并想尝试测试其精度。我认为我可能在TensorFlow的语法或理解上存在一些问题。这是我的模型：
x = tf.placeholder(tf.float32, shape=[None, 784])y_ = tf.placeholder(tf.float32, shape=[None, 10])sess = tf.InteractiveSession()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)#stride 1 and 0 paddingdef conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#pooling over 2x2def 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)# Second LayerW_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)#Fully connected layerW_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(tf.float32)h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)#Readout layerW_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=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, tf.float32))sess.run(tf.global_variables_initializer())for i in range(200): batch = mnist.train.next_batch(50) if i%100 == 0: train_accuracy = accuracy.eval(feed_dict={ x:batch[0], y_: batch[1], keep_prob: 1.0}) print("step %d, training accuracy %g"%(i, train_accuracy)) train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})# Here is my custom datasetcustom_data=GetDataset()print sess.run(y_conv,feed_dict={x: custom_data})使用我的自定义数据集进行预测的语法不对吗？我是不是漏掉了什么？我的数据与MNIST数据集的格式相同，但我找不到正确的语法来进行预测：
print sess.run(y_conv,feed_dict={x: custom_data})非常感谢任何帮助！
回答：
y_conv 将为您提供进行推荐所需的信息。您可能只是不理解该张量中数据的形式。
在您的代码中，您有一个损失函数和一个优化器：
cross_entropy = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)请注意，您将 y_conv 传递给了 softmax_cross_encropy_with_logits 方法。此时，y_conv 是一个未缩放的数值。负值代表负类，正值代表正类。
softmax 将这些转换为所有输出的概率分布。这显著地将所有输出转换到 [0,1] 范围内。然后，交叉熵计算误差（交叉熵假设值在 [0,1] 范围内）。
如果您使用 softmax，那么通常会创建另一个张量来实际计算预测：
prediction = tf.softmax(y_conv)这将为您提供标签的预测概率分布。只需在您的 sess.run 步骤中请求该张量即可。
如果您只关心最可能的类别，那么您可以取 y_conv 值的最大值。还要注意，如果这个陈述是正确的，您可能想要尝试使用 tf.nn.sigmoid_cross_entropy_with_logits，它稍微更适合生成不是概率分布的结果（对于单类预测稍微更好，对于多类预测是必须的）。
