TensorFlow数字识别报错：输入形状不匹配，求技术解决方案

嘿，我知道你卡在这个问题上两天了，别慌！咱们先把错误根源揪出来，再一步步解决。

错误原因分析 #

你遇到的ValueError: Cannot feed value of shape (1, 10712) for Tensor 'Placeholder:0', which has shape '(?, 784)'，核心问题很明确：

• 你的模型输入占位符X期望的是任意数量的28×28灰度图（展平后是784个像素，对应形状(?, 784)）
• 但你传入的测试图片展平后有10712个像素，说明你的图片尺寸根本不是MNIST数据集要求的28×28规格，形状不匹配导致报错。

具体解决方案 #

要解决这个问题，你需要把测试图片调整为和MNIST一致的28×28灰度图，同时对齐像素值范围。修改你代码中处理测试图片的部分即可：

修改后的图片处理代码 #

# 1. 打开图片并转为单通道灰度图
img = Image.open("C:\\Users\\ADEM\\Desktop\\msi_youssef\\PFE\\test\\numbers\\rafik1.png").convert('L')
# 2. 将图片缩放为28×28（使用LANCZOS插值保证缩放质量）
# 如果你的PIL版本较低，把Image.Resampling.LANCZOS换成Image.LANCZOS
img = img.resize((28, 28), Image.Resampling.LANCZOS)
# 3. 反转颜色（MNIST是黑底白字，若你的图片是白底黑字则需要这一步，可根据实际效果调整）
img = np.invert(img)
# 4. 展平为784维数组，并归一化到0-1（和MNIST训练数据的像素值范围一致）
img = img.ravel() / 255.0
# 5. 传入模型（保持形状为(1, 784)）
prediction = sess.run(tf.argmax(output_layer, 1), feed_dict={X: [img]})
print ("Prediction for test image:", np.squeeze(prediction))

额外注意事项 #

• 颜色反转：如果你的测试图片本身就是黑底白字，可以去掉np.invert(img)这一步，否则模型会把背景当成数字识别。
• 归一化：MNIST的训练数据是将0-255的像素值除以255得到0-1的浮点数，这一步必须做，否则模型的输入分布和训练时不一致，会严重影响识别准确率。
• 可选优化：你代码里定义了layer_drop = tf.nn.dropout(layer_3, keep_prob)但没用到，输出层用的是layer_3。如果想让dropout正则化生效，应该把输出层改成：

  output_layer = tf.matmul(layer_drop, weights['out']) + biases['out']
  

这样修改后，你的测试图片形状就会匹配模型的输入要求，应该能正常运行了！

内容的提问来源于stack exchange，提问作者user11874369