tensorflow MINIST 入门（线性回归+softmax） 超详细代码注释 19行代码直接下载数据并训练

#  加载MNIST数据
# i通过nput_data.read_data_sets自动下载和导入MNIST数据集
# mnist是一个轻量级的类。它以Numpy数组的形式存储着训练、校验和测试数据集。同时提供了一个函数，用于在迭代中获得minibatch，后面我们将会用到。
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

import tensorflow as tf

# 通过为输入图像和目标输出类别创建节点，来开始构建计算图。
# x为输入，y为输出，y_为模型预测。这里的x，y，y_并不是特定的值，相反，他们都只是一个占位符，可以在TensorFlow运行某一计算时根据该占位符输入具体的值。
# x: shape为[None, 784],784是一张展平的MNIST图片的维度（28*28），None表示其值大小不定，在这里作为第一个维度值，用以指代batch的大小,意即x的数量不定
# placeholder的shape参数是可选的，但有了它，TensorFlow能够自动捕捉因数据维度不一致导致的错误。
x = tf.placeholder(tf.float32, [None, 784])
# 权重W和偏置b，模型的变量，在机器学习的应用过程中，模型参数一般用Variable来表示
# 把W和b都初始化为零向量
# W是一个784x10的矩阵（因为我们有784个特征和10个输出值），b是一个10维的向量（因为我们有10个分类）
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zer