深度学习（1）：3-2MNIST数据集分类简单版本

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据
mnist=input_data.read_data_sets("E:\MNIST_data",one_hot=True) 
#每个批次的大小
batch_size=100
#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size


#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])


#创建一个简单的神经网络
W=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
prediction=tf.nn.softmax(tf.matmul(x,W)+b)


#定义二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))


#使用梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)


#初始化变量
init=tf.global_variables_initializer()


#结果存放在一个布尔型列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#//返回同一维张量中最大的值所在的位子
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


with tf.Session() as sess:
    sess.run(init)
    for epoch in range(20):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
            
        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Tter"+str(epoch)+"Testing Accuracy"+str(acc))

体会：1.模型是不会自己定义好不会变的，所谓的用Softmax Regression训练只不过是通过前面的模型得到具体的概率，然后利用这个概率来预测结果，预测的效果好坏其实在模型定义完成的时候都基本决定了。

      2.当然现在在经历这个过程之后，给验证集图片它是可以给一个分类的，这说明它具备了识别能力，在这个方面来说它是被训练的。

疑问：1.Softmax这个函数到底是怎么计算得到这个概率的。输出端输出的数据是怎么被Softmax函数处理的。

          2.整个程序的代码的执行过程是如何的？