tensorflow mnist数据集手写字识别

#mnist数据集
#将一个28 X 28的图片=786像素，转化为一行
#60000 X 786 代表6000张图片组成的张量
#一张图片中最黑的地方为1  白的地方为0 黑白过渡区域为灰色，值为0-1，比如0.4
#mnist数据集的标签是介于0-9的数字，我们要把标签转化为“one-hot vectors”.
#一个one-hot向量除了某一位数字是1以外，其余维度数字都是0，比如将标签表示为（1,0,0,0,0,0,0,0,0，0）
#因此,mnist.train.labels是一个（6000,10）的数字矩阵
#softmax函数
#我们知道mnist的结果是0-9，我们的模型可能推测出一张图片是数字9的概率是80%，是数字8的概率是10%，然后其他数字的
#概率更小，总体概率加起来等于1，这是一个使用softmax回归模型的经典案例，softmax模型可以用来给不同的对象分配概率

#softmax(x)i=exp(xi)/sumj(xj)
#for example
#神经元判断出的数字为[1,5,3]
# e1=2.785
# e5=148.423
# e3=20.086
# e1+e5+e3=171.217
# p1=e1/(e1+e5+e3)=0.016
# p2=e5/(e1+e5+e3)=0.867
# p3=e3/(e1+e5+e3)=0.117
# 0.867即为softmax