我在TensorFlow中训练模型如下：

batch_size = 128graph = tf.Graph()with graph.as_default():# 输入数据。对于训练数据，我们使用一个占位符，在运行时将通过训练小批量数据进行填充。tf_train_dataset = tf.placeholder(tf.float32,                                  shape=(batch_size, image_size * image_size))tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))tf_valid_dataset = tf.constant(valid_dataset)tf_test_dataset = tf.constant(test_dataset)# 变量。weights = tf.Variable(    tf.truncated_normal([image_size * image_size, num_labels]))biases = tf.Variable(tf.zeros([num_labels]))# 训练计算。logits = tf.matmul(tf_train_dataset, weights) + biasesloss = tf.reduce_mean(    tf.nn.softmax_cross_entropy_with_logits(labels=tf_train_labels, logits=logits))# 优化器。optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)# 对训练、验证和测试数据的预测。train_prediction = tf.nn.softmax(logits)valid_prediction = tf.nn.softmax(    tf.matmul(tf_valid_dataset, weights) + biases)test_prediction = tf.nn.softmax(tf.matmul(tf_test_dataset, weights) + biases)num_steps = 3001with tf.Session(graph=graph) as session:  tf.global_variables_initializer().run()  print("Initialized")    for step in range(num_steps):     # 在训练数据中选择一个偏移量，该数据已被随机化。     # 注意：我们可以在各个周期中使用更好的随机化方法。     offset = (step * batch_size) % (train_labels.shape[0] - batch_size)     # 生成一个小批量数据。     batch_data = train_dataset[offset:(offset + batch_size), :]     batch_labels = train_labels[offset:(offset + batch_size), :]     # 准备一个字典，告诉会话在哪里填充小批量数据。     # 字典的键是图形中要填充的占位符节点，     # 值是要填充给它的numpy数组。     feed_dict = {tf_train_dataset : batch_data, tf_train_labels : batch_labels}     _, l, predictions = session.run(    [optimizer, loss, train_prediction], feed_dict=feed_dict)    if (step % 500 == 0):      print("Minibatch loss at step %d: %f" % (step, l))      print("Minibatch accuracy: %.1f%%" % accuracy(predictions, batch_labels))      print("Validation accuracy: %.1f%%" % accuracy(      valid_prediction.eval(), valid_labels))   print("Test accuracy: %.1f%%" % accuracy(test_prediction.eval(), test_labels))

现在我想使用单张图像作为输入，将其调整为与训练图像相同的格式，并获得10个类别的预测概率。这个问题已经被问过多次，我很难理解他们的解决方案，其中一个最佳答案是使用以下代码：

feed_dict = {x: [your_image]}classification = tf.run(y, feed_dict)print classification

在我的代码中，x和y的等价物是什么？假设我从测试数据集中选择一张图像进行预测，如下所示：

img = train_dataset[678]

我期望得到一个包含10个概率的数组。

回答：

让我来回答自己的问题：首先，必须更改这些代码行，我们必须使用None代替常量批量大小，以便稍后可以将单张图像作为输入进行填充：

tf_train_dataset = tf.placeholder(tf.float32, shape=(None, image_size * image_size),name="train_to_restore")tf_train_labels = tf.placeholder(tf.float32, shape=(None, num_labels))

在会话中，我使用以下代码将新图像输入模型：

from skimage import ioimg = io.imread('newimage.png', as_grey=True)nx, ny = img.shapeimg_flat = img.reshape(nx * ny)IMG = np.reshape(img,(1,784))answer = session.run(train_prediction, feed_dict={tf_train_dataset: IMG})print(answer)

我的训练集中的图像是28*28，所以请确保你的新图像也是28*28，然后你需要将其展平为1*784，并将其输入到模型中以获得预测概率