1.准备数据
MNIST是机器学习领域的一个经典问题，指的是让机器查看一系列大小为28x28像素的手写数字灰度图像，并判断这些图像代表0-9中的哪一个数字。
2.下载
在run_training()方法的一开始，input_data.read_data_sets()函数会确保你的本地训练文件夹中，已经下载了正确的数据，然后将这些数据解压并返回一个含有DataSet实例的字典。
data_sets = input_ data.read_data_sets(FLAGS.train_dir, FLAGS.fakedata)
# fake_data标记是用于单元测试的，读者可以不必理会。
# 例如：
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
3.输入与占位符（Inputs and Placeholders）
# placeholder_inputs()函数将生成两个tf.placeholder操作，定义传入图表中的shape参数，
# shape参数中包括batch_size值，后续还会将实际的训练用例传入图表。
images_placeholder = tf.placeholder(tf.float32, shape = (batch_size, IMAGE_PIXELS))
labels_placeholder = tf.placeholder(tf.int32, shape = (batch_size))
# 例如：
xs = tf.placeholder(tf.float32,[None,784]) #28*28
ys = tf.placeholder(tf.float32,[None,10]) #10个输出
4.构件图表
在为数据创建占位符之后，就可以运行mnist.py文件，经过三阶段的模式函数操作：inference()， loss()，和training()。图表就构建完成了。
1.inference() —— 尽可能地构建好图表，满足促使神经网络向前反馈并做出预测的要求。
2.loss() —— 往inference图表中添加生成损失（loss）所需要的操作（ops）。
3.training() —— 往损失图表中添加计算并应用梯度（gradients）所需的操作。
(4.1 4.2 4.3 直接查看下面的链接)
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_tf.html
4.1 推理（Inference）
inference()函数会尽可能地构建图表，做到返回包含了预测结果（output prediction）的Tensor。
它接受图像占位符为输入，在此基础上借助ReLu(Rectified Linear Units)激活函数，构建一对完全连接层（layers），以及一个有着十个节点（node）、指明了输出logits模型的线性层。
…
4.2 损失（Loss）
loss()函数通过添加所需的损失操作，进一步构建图表。
…
4.3 训练（training）
training()函数添加了通过梯度下降（gradient descent）将损失最小化所需的操作。
…
5.图表
6.会话
完成全部的构建准备、生成全部所需的操作之后，我们就可以创建一个tf.Session，用于运行图表。
sess = tf.Session()
# 或者用with代码块生成Session,限制作用域
with tf.Session() as sess:
init = tf.initialize_all_variables()
sess.run(init)sess.run()方法将会运行图表中与作为参数传入的操作相对应的完整子集。在初次调用时，init操作只包含了变量初始化程序tf.group。图表的其他部分不会在这里，而是在下面的训练循环运行。
7.训练循环
# 训练的每一步都是通过用户代码控制，而能实现有效训练的最简单循环就是：
for step in xrange(max_steps):
sess.run(train_op)
# 例如：
for i in range(3000):
batch_xs,batch_ys=mnist.train.next_batch(100)
sess.run(train,feed_dict={xs:batch_xs,ys:batch_ys})
if i%100==0:
print(compute_accuracy(mnist.test.images,mnist.test.labels))
8.评估模型
每隔xx个训练步骤，尝试使用训练数据集与测试数据集，对模型进行评估。
链接：
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_tf.html