这个问题专门针对Google MNIST教程 ，该教程定义了一个预测变量，但没有应用它。根据乔纳森·惠（Jonathan Hui）的TensorFlow Estimator博客文章的指导 ，以下代码完全适合Google教程并进行预测：

from matplotlib import pyplot as plt

images = mnist.test.images[0:10]

predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x":images},
      num_epochs=1,
      shuffle=False)

mnist_classifier.predict(input_fn=predict_input_fn)

for image,p in zip(images,mnist_classifier.predict(input_fn=predict_input_fn)):
    print(np.argmax(p['probabilities']))
    plt.imshow(image.reshape(28, 28), cmap=plt.cm.binary)
    plt.show()

正如@dga建议的那样，您需要通过已经预测的模型来运行数据的新实例。

这是一个例子：

假设您通过了第一个教程并计算了模型的准确性（模型是： y = tf.nn.softmax(tf.matmul(x, W) + b) ）。现在，您可以获取模型并将新数据点应用于该模型。在下面的代码中，我计算向量，获得最大值的位置。显示图像并打印最大位置。

from matplotlib import pyplot as plt
from random import randint
num = randint(0, mnist.test.images.shape[0])
img = mnist.test.images[num]

classification = sess.run(tf.argmax(y, 1), feed_dict={x: [img]})
plt.imshow(img.reshape(28, 28), cmap=plt.cm.binary)
plt.show()
print 'NN predicted', classification[0]

在“ Deep MNIST for Experts ”示例中，请参见以下行：

现在，我们可以实现回归模型。只需要一行！我们将向量化的输入图像x乘以权重矩阵W，加上偏差b，然后计算分配给每个类别的softmax概率。

y = tf.nn.softmax(tf.matmul(x,W) + b)

只需拉上节点y，您就会拥有所需的内容。

feed_dict = {x: [your_image]}
classification = tf.run(y, feed_dict)
print classification

这几乎适用于您创建的任何模型-在计算损失之前，您已经将预测概率计算为最后步骤之一。