mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
OneHot编码：One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。将类别变量转换为机器学习算法易于利用的一种形式的过程。
One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。
例：
黄色的矩阵为OneHot编码后的结果。每个样本只对应于一个类别（即只在对应的特征处值为1，其余地方值为0），而我们的分类结果，得到的往往是隶属于某个类别的概率，这样在进行损失函数（例如交叉熵损失）或准确率计算时就很方便。
tf.Graph().as_default()
tensorflow的计算模型是有向图，采用数据流图，其中每个节点代表一些函数或计算，边代表了数值、矩阵、或张量。
tf.Graph().as_default() 返回值：返回一个上下文管理器，这个上下管理器使用这个图作为默认的图。
tf.Session()创建一个会话，当上下文管理器退出时会话关闭和资源释放自动完成。 tf.Session().as_default()创建一个默认会话，当上下文管理器退出时会话没有关闭，还可以通过调用会话进行run()和eval()操作
tf.placeholder(dtype, shape=None, name=None)
placeholder，占位符，在tensorflow中类似于函数参数，运行时必须传入值。
- dtype：数据类型。常用的是tf.float32,tf.float64等数值类型。
- shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定。
- name：名称。
tf.reduce_mean（）
reduce_mean(input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)
tf.reduce_mean()函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。
- 第一个参数input_tensor： 输入的待降维的tensor;
- 第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
- 第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
- 第四个参数name： 操作的名称;
- 第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;
类似函数还有:
- tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;
- tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值;
- tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
- tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或（or运算）;