手写神经网络解决解决Mnist数字集(改造为批量处理)

#批量处理代码的修改工作主要在批量计算梯度和批量更新权值上

##批量输入后，如何使用numpy矩阵计算的方法计算各权值梯度，提高计算速度

   def backprop(self, x, y):  #x为多维矩阵。每列为一个x值。 y为多维矩阵。每列为一个y值。 
        batch_num=x.shape[1]
        #print(x.shape)
        #print(y.shape)
        
        """创建两个变量，用来存储所有b值和所有w值对应的梯度值。初始化为0.nabla_b为一个list，形状与biases的形状完全一致。nabla_w 为一个list，形状与weights的形状完全一致。        
        """
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        # feedforward
        """activations，用来所有中间层和输出层在一次前向计算过程中的最终输出值，即a值。该值记录下来，以供后期使用BP算法求每个b和w的梯度。    
        """     
        activation = x  #x为本批多个x为列组成的矩阵。 
        activations = [x] # list to store all the activations, layer by layer
        """zs，用来所有中间层和输出层在一次前向计算过程中的线性输出值，即z值。该值记录下来，以供后期使用BP算法求每个b和w的梯度。    
        """
        zs = [] # list to store all the z vectors, layer by layer ，zs的每个元素为本batch的x对应的z为列构成的矩阵。

        """   
                通过一次正向计算，将中间层和输出层所有的z值和a值全部计算出来，并存储起来。供接下来求梯度使用。
        """     
        for b, w in zip(self.biases, self.weights):
            #print(w.shape)
            #print(np.dot(w, activation).shape)
            #print(b.shape)
            z = np