最后可以把测试数据输入网络，测试网络对测试图片的识别准确率。
test_loss, test_acc=model.evaluate（x_Test_normalize, y_Test_OneHot）
print（＇accuracy'，test_acc）输出结果为：
运行结果表明，采用上述方法设计的网络对10000张测试图片的准确率达到97.85%，说明只有215张图片识别错误。具体哪些图片识别错误，可以利用如下代码进行分析。
#定义绘图函数
def plot_image_labels_prediction2（image, lables, prediction, idx, num=10）：
fig=plt.gcf（）
fig. set_size_inches（12，14）
if num＞25：num=25
for i in range（0，num）：
ax=plt.subplot（5，5，i+1）
ax. imshow（image[idx[i]]，cmap=＇binary'）
title="lable="+str（lables[idx[i]]）(www.xing528.com)
if len（prediction）＞0：
title+="，predict="+str（prediction[idx[i]]）
ax. set_title（title, fontsize=10）
ax. set_xticks（[]）；ax.set_yticks（[]）
plt. show（）
prediction=model.predict_classes（x_Test）#进行预测
index=np.arange（0，10000）
index_dif=index[prediction！=y_test_label]#查找分类错误的元素索引
plot_image_labels_prediction2（x_test_image, y_test_label, prediction, idx=index_dif, num=10）
图4-24 预测错误的图片
图4-24中列出了10张识别错误的图片，如第一张是把4识别成了9，最后一张是把2识别成了1。可以看出，一些图片依赖人眼也难以正确识别，可见这些错误是情有可原的。相对于传统模式识别方法复杂且识别率不高，本节的神经网络算法不足百行代码就实现了手写数字的识别，由此可见神经网络的强大威力。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
