手写数字识别 ----在已经训练好的数据上根据28…

import numpy as np
import tensorflow as tf
from flask import Flask, jsonify, render_template, request
import numpy as np
from PIL import Image
from mnist import model
import matplotlib.pyplot as plt
from matplotlib.image import imread

# tf.placeholder(dtype, shape=None, name=None)
# 此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的
# dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
# shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
# name：名称。
# 返回：Tensor 类型

x = tf.placeholder("float", [None, 784])

'''用于运行TensorFlow操作的类。 '''
# session可能拥有的资源，如：tf.Variable，tf.QueueBase和tf.ReaderBase。
# 不再需要时释放这些资源是非常重要的。
# 为此，请在session中调用tf.Session.close方法，或使用session作为上下文管理器
sess = tf.Session()

# 保存和恢复都需要实例化一个 tf.train.Saver。
# saver = tf.train.Saver()
# 在训练循环中，定期调用 saver.save() 方法，向文件夹中写入包含了当前模型中所有可训练变量的 checkpoint 文件。
# saver.save(sess, FLAGS.train_dir, global_step=step)
# 之后，就可以使用 saver.restore() 方法，重载模型的参数，继续训练或用于测试数据。
# saver.restore(sess, FLAGS.train_dir)

# restore trained data
with tf.variable_scope("regression"):
    y1, variables = model.regression(x)
saver = tf.train.Saver(variables)
saver.restore(sess, "mnist/data/regression.ckpt")


# tf.get_variable(<name>, <shape>, <initializer>) 创建或返回给定名称的变量
# tf.variable_scope(<scope_name>) 管理传给get_variable()的变量名称的作用域
with tf.variable_scope("convolutional"):
    keep_prob = tf.placeholder("float")
    y2, variables = model.convolutional(x, keep_prob)
saver = tf.train.Saver(variables)
saver.restore(sess, "mnist/data/convolutional.ckpt")


def regression(input):
    # print('-------------------regression')
    # print('y2:' + str(y1))
    # print(input)
    return sess.run(y1, feed_dict={x: input}).flatten().tolist()

# run(
#     fetches,
#     feed_dict=None,
#     options=None,
#     run_metadata=None
# )
def convolutional(input):
    # print('-------------------convolutional')
    # print('y2:' + str(y2))
    # print( input)
    return sess.run(y2, feed_dict={x: input, keep_prob: 1.0}).flatten().tolist()


# im = Image.open(r'C:\Users\admin\Desktop\无标题.png')
# im2 = np.array(im)
# print(im2)

# img = imread(r'C:\Users\admin\Desktop\无标题.png')  # 读入图像（设定合适的路径！）
# plt.imshow(img)
# plt.arr
# plt.show()

# 读取图片
im = Image.open(r'C:\Users\admin\Desktop\2.png')
# 显示图片
# im.show()
im = im.convert("L")
# im.show()
data = im.getdata()
data = np.matrix(data)

 #     print data
# 变换成512*512
data = np.reshape(data, (784, 1))
# new_im = Image.fromarray(data)
# # 显示图片
# new_im.show()
input = ((255 - np.array(data, dtype=np.uint8)) / 255.0).reshape(1, 784)

# # print(input)
output1 = regression(input)
output2 = convolutional(input)
print(output1)
print(output2)