主要是参考了《tensorflow》pdf的文档，首先使用的是一个tf.argmax的函数，它会找出某个tensor对象在某一个维度上最大值的索引。因为一般标签都是0，1，因此最大值1所在的索引位置就是类别标签，比如tf.argmax（y,1）返回的是模型对于任意输入x预测的标签值，而tf.argmax（y_,1）代表正确的标签，我们可以用tf.equal来检测我们的预测是否真实标签匹配（索引位置一样表示匹配）。
correct_prediction=tf.equal(tf.argmax(y,1),tf.agrmax(y_,1))#我大概明白了，它把所有的1的位置找出来，和预测的结果做对比这行代码会给我们一组布尔值。为例确定正确预测的比例，我们可以把布尔值转化成浮点数，然后取平均值。例如，[True,False,True,True]会变成[1,0,1,1]，取平均值后得到0.75.
accuary=tf.reduce_mean(tf.cast(correct_prediction,'float'))
#先转换成float的形式，在对其结果取平均值最后我们计算所学习到的模型在测试数据集上面的正确率。
pring(sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))