使用Keras中的img_to_array函数：

import tensorflow as tf 
from PIL import Image
    
pil_img = Image.new(3, (200, 200))
image_array  = tf.keras.utils.img_to_array(pil_img)

“DecodeJpeg：0/contents：0”是一个用于将base64字符串解码为原始图像数据的操作。您正在尝试输入原始图像数据。因此，您应该将其输入到“DecodeJpeg：0”（它是“DecodeJpeg：0/contents：0”的输出）或“穆尔：0”（它是图形的输入）。不要忘记调整大小，因为输入的形状应为（299，299，3）。Mul采用（1，299，299，3）
试试看：

image = Image.open("example.jepg")
image.resize((299,299), Image.ANTIALIAS)
image_array = np.array(image)[:, :, 0:3]  # Select RGB channels only.

prediction = sess.run(softmax_tensor, {'DecodeJpeg:0': image_array})
or
prediction = sess.run(softmax_tensor, {'Mul:0': [image_array]})

as well discussed in this stackoverflow question
要可视化操作，请执行以下操作：

for i in sess.graph.get_operations():
            print (i.values())

希望这对你有帮助

不知道为什么马克西米利安的答案不起作用，但以下是对我起作用的：

from io import BytesIO

def predict(image, labels, sess):
    imageBuf = BytesIO()
    image.save(imageBuf, format="JPEG")
    image = imageBuf.getvalue()

    softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')
    predictions = sess.run(softmax_tensor,
                           {'DecodeJpeg/contents:0': image})
    predictions = np.squeeze(predictions)

    top_k = predictions.argsort()[-5:][::-1]  # Getting top 5 predictions

    return predictions[top_k[0]], labels[top_k[0]] # Return the raw value of tag matching and the matching tag.

创建了一个字节缓冲区，将PIL图像保存到其中，获取其值并将其传入。我对Tensorflow和图像处理还是个新手，所以如果有人有具体的原因来解释为什么这个方法有效而Max的方法无效，这将是对这个答案的一个很好的补充。

您可以使用PIL的getdata()
将图像的内容作为包含像素值的序列对象返回。序列对象是平面化的，因此第一行的值紧跟在第零行的值之后，依此类推。
或者Tensorflow的gfile。

from tensorflow.python.platform import gfile
image_data = gfile.FastGFile(image_filename, 'rb').read()

我已经尝试过了，效果很好。请随意更改参数来调整您的解决方案。图像是作为输入的PIL图像。

def read_tensor_from_image(image, input_height=224, input_width=224,
            input_mean=0, input_std=255):

  float_caster = tf.cast(image, tf.float32)
  dims_expander = tf.expand_dims(float_caster, 0);
  resized = tf.image.resize_bilinear(dims_expander, [input_height, input_width])
  normalized = tf.divide(tf.subtract(resized, [input_mean]), [input_std])
  sess = tf.Session()
  result = sess.run(normalized)

  return result