Tensorflow入门2（模型训练，模型评估）

模型训练
接着上一节，模型已经用y = tf.nn.softmax(tf.matmul(x,W) + b)实现，现在来训练它，但是怎么才能知道训练得好不好呢？所以我们需要定义一个指标来评估模型的好坏，然后让这个指标最小，这个指标一般是成本（cost）或损失（loss），不过这两种方式其实也是一样的。常用的一个好用的成本函数叫交叉熵（cross-entropy）（感觉回到了高等热力学）。交叉熵产生于信息论里面的信息压缩编码技术，不过后来转到博弈论/机器学习等领域的评估手段，看下定义：

其中y是预测的概率分布，y’是实际的分布（就是输入的one-hot vector).可以把它理解为预测用于描述争相的效果如何的量度。这个概念还是很重要的。
为了计算交叉熵，做一个上面的y’，用y_代替

y_ = tf.placeholder("float", [None,10])

计算交叉熵：

cross_entropy = -tf.reduce_sum(