你遇到的问题核心其实很明确：你两段代码都是在计算测试集真实标签的类别索引，根本没有调用模型的预测输出！

让我拆解一下：

• tf.argmax(labels_test, 1)这个操作只依赖于labels_test本身，和你feed_dict里传入的X（测试数据）、dropout_keep_prob（dropout保留概率）完全没有关系。所以不管加不加feed_dict，运行结果自然一模一样——因为你从始至终都在处理真实标签，而不是模型的预测结果。

正确的做法 #

你需要针对模型的输出张量来做tf.argmax操作，才能得到模型对测试数据的预测类别。举个常见的例子：

假设你的MLP最后一层输出被定义为logits（比如logits = tf.matmul(final_dense_layer, weights) + biases），那正确获取预测值的代码应该是：

# 获取模型对测试数据的预测类别
predicted_classes = sess.run(tf.argmax(logits, 1), feed_dict={X: data_test, dropout_keep_prob: 1.})
# 获取测试集的真实类别（用来和预测值对比）
true_classes = sess.run(tf.argmax(labels_test, 1))

这样predicted_classes才是模型根据data_test输出的预测结果，和true_classes对比就能评估模型性能了。

额外注意点 #

• 确保你已经完成了模型的训练：也就是已经通过session.run执行过训练步骤，更新了模型的权重参数，否则预测结果会是初始随机参数的输出，毫无意义。
• 确认labels_test确实是测试集的真实标签数据，避免数据混淆。

内容的提问来源于stack exchange，提问作者user1670773