作为初学者，对第二节和第三节理解并不是完全透彻，所以本节先停一下脚步，对前面几节做一些总结和巩固。
在第二节，我们将 28x28 大小的图片拉成 784 的一维数据，这丢失了图片的二维结构方面的信息，在图片识别中，二维空间结构也是非常重要的信息。不过，对于第二节中的例子而言，因为模型非常简单，丢弃空间结构信息，可以简化问题。第三节的卷积网络，就充分利用了图片的二维空间结构信息。
softmax 线性回归（Regression）非常适合分类模型，它会对每一种类估算一个概率，例如在 MINST 手写数字识别中，预测数字 3 的概率为 0.87，数字 5 的概率为 0.18，那么显然该次识别结果是 3。当处理多分类任务时，通常使用 softmax 线性回归模型。即使是第三节中的卷积网络模型，最后全连接层时，也是softmax 线性回归。
softmax regression 工作原理非常简单，将可以判定为某类的特征全部加在一起，然后将这些特征转化为判定是这一类的概率（例如归一操作）。
tensorflow 常常是先建立模型，最后在 session 里执行训练等计算内容的。输入部分可以先用 holder 预留数据位，然后再通过 feed 传入数据，整个第二节就是这么干的。
...
x = tf.placeholder("float", [None, 784])
...
y_ = tf.placeholder("float", [None,10])
...
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # feed 数据
网络模型的的权值和偏置，记忆着训练结果，在 tensorflow 中用 variable 存储模型参数。这是因为 tensor 存储的数据在使用后就会释放，而 variable 在模型训练中是长久存在的。权值和偏置的初始值也是非常重要的，不过，第二节介绍的模型非常简单，所以全部初始化为 0 了。而第三节，则加入了一些特殊处理：
# 加入一点噪声是为了避免 0 梯度
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
# 使用一个较小正数初始化，可以避免神经元输出恒 0（死神经元）
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
定义好训练网络后，需要指定 loss 函数，作为训练的依据。最后，再指定训练方式，如 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)，即可建立好 tensorflow 模型。需要说明的是，此时计算并没有实际发生，只有在调用 run 方法，并且 feed 数据后，计算才开始。tensorflow 的主要功能不仅仅是建立模型，它还能自动的计算梯度，训练网络，更新权值和偏置。
