python神经网络训练完了怎么输入得到结果_tensorflow学习笔记之简单的神经网络训练和测试...

在神经网络训练完成后，我们可以使用模型对新的输入数据进行预测。以下是使用 TensorFlow 进行简单神经网络训练和测试的示例代码：

import tensorflow as tf

# 定义输入数据
x = tf.placeholder(tf.float32, [None, input_size])

# 定义模型参数
W = tf.Variable(tf.zeros([input_size, num_classes]))
b = tf.Variable(tf.zeros([num_classes]))

# 定义模型
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 定义损失函数
y_ = tf.placeholder(tf.float32, [None, num_classes])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

# 定义优化器
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy)

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(num_iterations):
        batch_xs, batch_ys = get_next_batch(train_data, train_labels, batch_size)
        sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

    # 测试模型
    correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print("Accuracy: ", sess.run(accuracy, feed_dict={x: test_data, y_: test_labels}))

在训练完成后，我们可以使用 `sess.run()` 函数来获取模型的输出。例如，如果我们想要对一个新的数据样本进行预测，我们可以将其传递给 `sess.run()` 函数的 `feed_dict` 参数，并获取模型的输出 `y`。下面是一个简单的示例：

# 定义要预测的数据
new_data = [[5.1, 3.5, 1.4, 0.2]]

# 获取预测结果
prediction = sess.run(y, feed_dict={x: new_data})

# 打印预测结果
print(prediction)

在上面的代码中，我们将 `new_data` 作为输入数据传递给模型，并使用 `sess.run()` 函数获取模型的输出 `y`。然后，我们打印预测结果即可。