Тестирование изображения на модели MNIST, Python TensorFlow

Недавно я начал изучать python и tensorflow одновременно, в настоящее время работаю над MNIST, вот код, обучение модели и тестирование на наборе данных MNIST выполнено, моя следующая задача - взять изображение с компьютера, импортировать его в свою программу и протестировать это изображение на моей обученной модели. Итак, у меня есть 2 вопроса

1. Как я могу сохранить свою модель, чтобы мне не приходилось запускать ее снова и снова?

2. Как изображение можно импортировать и протестировать на этой модели, чтобы модель могла предсказать, какой номер это

   import tensorflow as tf`
   from tensorflow.examples.tutorials.mnist import input_data
   
   mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
   n_nodes_hl1 = 500
   n_nodes_hl2 = 500
   n_nodes_hl3 = 500
   n_classes = 10
   batch_size = 100
   x = tf.placeholder('float', [None, 784])
   y = tf.placeholder('float')
   
   def neural_network_model(data):
       hidden_1_layer = {'weights': tf.Variable(tf.random_normal([784, n_nodes_hl1])),
                         'biases': tf.Variable(tf.random_normal([n_nodes_hl1]))}
   hidden_2_layer = {'weights': tf.Variable(tf.random_normal([n_nodes_hl1, n_nodes_hl2])),
                     'biases': tf.Variable(tf.random_normal([n_nodes_hl2]))}
   
   hidden_3_layer = {'weights': tf.Variable(tf.random_normal([n_nodes_hl2, n_nodes_hl3])),
                     'biases': tf.Variable(tf.random_normal([n_nodes_hl3]))}
   
   output_layer = {'weights': tf.Variable(tf.random_normal([n_nodes_hl3, n_classes])),
                   'biases': tf.Variable(tf.random_normal([n_classes])), }
   
   l1 = tf.add(
       tf.matmul(
           data,
           hidden_1_layer['weights']),
       hidden_1_layer['biases'])
   l1 = tf.nn.relu(l1)
   
   l2 = tf.add(
       tf.matmul(
           l1,
           hidden_2_layer['weights']),
       hidden_2_layer['biases'])
   l2 = tf.nn.relu(l2)
   
   l3 = tf.add(
       tf.matmul(
           l2,
           hidden_3_layer['weights']),
       hidden_3_layer['biases'])
   l3 = tf.nn.relu(l3)
   
   output = tf.matmul(l3, output_layer['weights']) + output_layer['biases']
   
   return output
   
   
   def train_neural_network(x):
       prediction = neural_network_model(x)
       cost = tf.reduce_mean(
           tf.nn.softmax_cross_entropy_with_logits(
               logits=prediction, labels=y))
       optimizer = tf.train.AdamOptimizer().minimize(cost)
   hm_epochs = 10
   with tf.Session() as sess:
       sess.run(tf.global_variables_initializer())
   
       for epoch in range(hm_epochs):
           epoch_loss = 0
           for _ in range(int(mnist.train.num_examples / batch_size)):
               epoch_x, epoch_y = mnist.train.next_batch(batch_size)
               _, c = sess.run([optimizer, cost], feed_dict={
                               x: epoch_x, y: epoch_y})
               epoch_loss += c
   
           print(
               'Epoch',
               epoch,
               'completed out of',
               hm_epochs,
               'loss:',
               epoch_loss)
   
       correct = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))
   
       accuracy = tf.reduce_mean(tf.cast(correct, 'float'))
       print('Accuracy:', accuracy.eval(
           {x: mnist.test.images, y: mnist.test.labels}))
   
   train_neural_network(x)