TensorFlow 各函数及其功能

1、sess = tf.InteractiveSession()：创建一个新的 session，并将其注册为默认的 session。
2、x = tf.placeholder(tf.float32, [None, 784])：创建一个输入数据的地方，第一个参数树数据类型，第二个参数代表 tensor 的 shape，即数据的尺寸。None 代表不限条数的输入，784 代表每条输入树一个 784 维的向量。tf.argmax(y, 1)
3、tf.zeros([784, 10])：将 W 矩阵中的每个值都全部初始化为 0。
4、W = tf.Variable(tf.zeros([784, 10]))：创建 Variable 对象，用来存储模型参数。tensor 用后即焚，Variable 在迭代中可以长期存在，并在每轮迭代中被更新。
5、tf.matmul(x, W) ：用来求矩阵乘法。

6、y = tf.nn.softmax(tf.matmul(x, W) + b)：定义 Softmax Regression。
7、E = tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])：求所有的 y_ * log(y) 的和，reduction_indices=[1] 表示作用对象为多维矩阵第1层（从0数起）括号内的数据（按 numpy 中矩阵的写法）。
8、cross_entropy = tf.reduce_mean(E)：求平均值。
9、train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)：随机梯度下降函数，学习速率为 0.5，优化目标为 cross_entropy。
10、tf.global_variables_initializer().run()：全局参数初始化器的 run 方法。
11、batch_xs, batch_ys = mnist.train.next_batch(100)：每次都随机从训练集中抽取 100 条样本构成一个 mini-batch，并 feed 给 placeholder。
12、train_step.run({x:batch_xs,  y_:batch_ys})：调用 train_step 对样本进行训练。只有调用 run 方法，前面定义的各节点才会开始执行并获得结果。

13、tf.argmax：从一个 tensor 中寻找最大值的序号。tf.argmax(y, 1) 就是求各个预测的数字中概率最大的那个。

14、tf.equal(x, y)：判断 x 是否就是 y。
15、tf.cast(tf.bool, tf.float32)：将 bool 类型的值转换为 float32类型。