深度学习笔记：使用随机梯度下降法识别mnist数据集

深度学习算法实现流程：
1 从训练数据中随机选出一部分数据，称为mini-batch。我们的目标为减小mini-batch损失函数的值

2 计算损失函数关于权重的梯度。梯度方向即为损失函数值减小最快的方向

3 将权重沿梯度下降方向更新

4 重复以上步骤，在另外选取的一种mini-batch中更新权重

该方法由于使用随机的mini-batch数据，被称为随机梯度下降法（stochastic gradient descent SGD）

示例：

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
from common.functions import *
from common.gradient import numerical_gradient


class TwoLayerNet:

    def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
        # 初始化权重
        self.params = {
   }
        self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
        self.params['b1'] = np.zeros(hidden_size)
        self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
        self.params['b2'] = np.zeros(output_size)

    def predict(self, x):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
    
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        
        return y
        
    # x:输入数据, t:监督数据
    def loss(self, x, t):
        y = self.predict(x)
        
        return cross_entropy_error(y, t)
    
    def accuracy(self, x, t):
        y = self.predict(x)
        y = np.argmax(y, axis=1)
        t = np.argmax(t