在tensorflow中实现完整的机器学习或神经网络算法的步骤

在tensorflow中实现完整的机器学习或神经网络算法的步骤

无赖的我又来了，歌词分享环节哦

《不染》
一场回忆 生生灭灭 了了心扉
再回首浅尝心酒余味

本篇主要讲解如何在tensorflow中实现一个完整的机器学习算法，以下是主要步骤：
1. 实现神经网络结构或机器学习算法函数。
2. 定义误差函数
3. 定义训练函数
4. 定义算法评估函数
5. 利用以上几个函数在sess中实现完整的程序

读到这，可能有点晕，没关系，下面用例子来介绍：
下面在mnist数据集上利用逻辑回归模型实现手写字体的识别，讲述整个实现过程。

1. 逻辑回归模型的实现
   将单层网络($y=wx+b$,逻辑回归)的输出经过softmax分类函数输出结果

   网络结构
   

   softmax：
   

   tensorflow softmax函数 tf.nn.softmax函数说明

   def inference(input_x):
   '''
   @param: input_x: [batch, 28*28]
   return: out: [batch, 10]
   '''
   w_init = tf.random_normal_initializer(stddev=(2.0 / 784) ** 0.5)
   W = tf.get_variable('W', [784, 10], initializer=w_init)
   
   b_init = tf.constant_initializer(value=0)
   b = tf.get_variable('b', initializer