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： ```python 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： ```python # 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。