python深度知识5，手写字分类实例改进，用交叉熵代价函数替代二次代价函数

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据
mnist=input_data.read_data_sets('mnist_data',one_hot=True)#noe_hot把像素点都转变成0或1的形式

#每个批次的大小，训练模型时，一次放入一批次
batch_size=100 #一批次100张图
#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size# //是整除,得到批次数

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])#建立一个占位符，None是图片数，784是每幅图的像素个数
y=tf.placeholder(tf.float32,[None,10])# 标签，建立一个占位符，10是指0-9十个数

#创建一个简单的神经网络，输入层784个神经元，输出层10个神经元，不设隐藏层
W=tf.Variable(tf.zeros([784,10]))#权值，设一个变量，置0
b=tf.Variable(tf.zeros([10]))#偏置值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)#信号总和，经过softmax函数（激活函数）转化成概率值

#二次代价函数
#loss =tf.reduce_mean(tf.square(y-prediction))

#使用交叉熵代价函数
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#使用梯度下降法
train_step=tf.train.GradientD