如何用TensorFlow获取MNIST数据集单张图片的预测结果？

我猜你遇到的报错大概率是维度不匹配的问题——毕竟训练时模型接收的是批量数据（形状一般是(batch_size, 784)），而单张图片如果直接喂进去，形状是(784,)，和模型输入的预期维度对不上，TensorFlow肯定会报错。下面给你一步步的解决方法：

1. 先确认模型的输入形状 #

首先你可以打印模型的输入层信息，确认它期望的输入形状：

print(model.input_shape)

正常情况下，输出应该是(None, 784)，其中None代表批量大小可以灵活调整，784就是单张图片的像素数（28x28展开）。这说明模型需要的是二维张量，而不是一维的。

2. 处理单张图片的维度 #

不管你的单张图片是来自数据集里的样本，还是自己本地的图片，都要调整它的形状，给它加上一个批量维度：

• 如果是从MNIST数据集里取的第一张图片（比如x_test[0]），它的形状是(784,)，你可以用numpy的reshape或者expand_dims来调整：

  # 方法1：用reshape
  single_image = x_test[0].reshape(1, 784)
  # 方法2：用expand_dims（更直观，明确添加批量维度）
  single_image = np.expand_dims(x_test[0], axis=0)
  

• 如果是你自己本地的手写数字图片，需要先做预处理：转成灰度图、resize到28x28、展开成784维数组，再同样添加批量维度。比如：

  from PIL import Image
  import numpy as np
  
  # 加载本地图片
  img = Image.open("your_digit.png").convert('L')  # 转灰度
  img = img.resize((28, 28))  # 调整尺寸
  img_array = np.array(img) / 255.0  # 归一化（和训练时的预处理一致）
  single_image = img_array.flatten().reshape(1, 784)  # 展开并添加批量维度
  

3. 执行单张预测 #

调整好形状后，就可以正常调用模型的predict方法了：

predictions = model.predict(single_image)
# 获取预测概率最高的类别
predicted_class = np.argmax(predictions[0])
print(f"预测类别：{predicted_class}")
print(f"各类别概率：{predictions[0]}")

为什么数据集里的图片长度是784？ #

MNIST的每张图片是28像素×28像素的灰度图，把二维的像素矩阵展开成一维数组，就是28×28=784个元素，所以你打印长度会得到784——这是正常的，只是单张输入时需要把一维数组包装成批量的二维格式，才能符合模型的输入要求。

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