假設情況是要預測一張新的圖片，數字是多少，我們從圖片所在的路徑去取出該圖片

def predict_image_with_path(file_path):
    im = Image.open(file_path)

通常照相的圖片是RGB彩圖，我們要轉換成灰階圖，因為訓練模型時用得是灰階圖

im = im.convert('L')

將圖片大小縮成28x28，會有圖片變扁或變長的問題，但我們為了簡化理解，先忽視這類的問題
ANTIALIAS是反鋸齒（平滑化）

im = im.resize((28, 28), Image.ANTIALIAS)  # resize the image

機器學習使用Numpy的陣列

im = np.array(im)

跟之前圖片預處理一樣，將值變成0~1的分佈

im2 = im / np.max(im).astype(float) # normalise input

這些是繪圖，方便我們看看得到了什麼樣的圖

plt.imshow(im2, cmap='gray')
plt.title('My Image')
plt.axis('off')
plt.show()

轉換成當時架構網路時一樣的input shape
model.predict(test_image)會得出類似這樣的結果： [0.05, 0.4, 0, 0, 0, 0, 0, 0.55, 0, 0, 0]
model.predict(test_image).argmax(axis=1)會把返回最大的值在第幾個：7，也就是預測數字7

test_image = np.reshape(im2, [1, 1, 28, 28])  # reshape it to our input placeholder shape
predict = model.predict(test_image).argmax(axis=1)
return test_image, predict

總結：將新資料改成符合當初訓練模型時用的資料格式
例如灰階圖（channel=1）、尺寸(28x28)、正規化（值從0~255變成0~1）、輸入input placeholder shape