可以看到，这个神经网络达到了 98.9% 的精度。下面，我自己手写一个数字测试一下。先打开 Inkscape，自己随便写一个数字，如下图：

保存为~/test.png。然后，用下面的代码把该图片读入内存，并更改大小为 28×28 像素，最后转化为灰度图像。这些操作都使用 PIL 完成。PIL 操作图像那是相当的方便。

from PIL import Image image = Image.open('/home/youxia/test.png').resize((28,28)).convert('L')

然后，将该图像转化为 numpy 的数组，并将其中的数据处理为 0 到 1 之间的浮点数。

import numpy as np im = np.array(image) im = 255 - im im = im.astype('float32') / 255.0

可以使用 matplotlib 查看一下该图像，代码如下：

import matplotlib.pyplot as plt plt.imshow(im, cmap=plt.cm.binary)

这是我们处理好之后的图像是下面这个效果，和 MNIST 自带的图像基本基本一致:

下面使用我们前面训练的神经网络来识别该图片，使用 predict 函数即可。识别时，需要将图像数据的 shape 更改为 (1,784):

network.predict(im.reshape(1,784))

返回的值是一个包含是个数字的列表，代表该图片可能为数字 0-9 的概率，可以看到，其中第 6 项，也就是为数字 5 的概率最大，接近于 1:

array([[2.19245143e-11, 7.56166017e-13, 2.06190620e-10, 3.12406366e-04,         1.12510295e-13, 9.99686599e-01, 8.85503199e-11, 2.70172443e-11,         2.85677032e-07, 7.55779013e-07]], dtype=float32)

如果不想自己用眼睛去判断哪个概率值最大，可以使用 numpy 的 argmax 函数，如下：

np.argmax(network.predict(im.reshape(1,784)))

返回结果为几，就说明识别出的数字为几，如下：

5