trouble:
我们把w1,w2放在session里会面临，每一步我们都会copy weights 在CPU/GPU之间，这样会导致运行非常缓慢
所以把w1,w2放入graph里，避免这种copy
提问：
为什么不把输入与labels： x,y 也放入graph
答：
在实际中，输入是mini-batch的形式，每一个step都会变，而不是这里的随机数。
trouble：
将w1,w2写入graph中，结果其没有跟着loss一起更新
解决方法：
因为在sess.run()中没有加入w1,w2所以其没有更新，现在在 .run() 中加入了tf.group(new_w1,new_w2)，其返回None值，但是会一起更新了
新方法：
这里可以用两行optimizer来计算梯度更新权重，其中参数是learning rate， 代替了上面的五行
新方法：
调用 MSE（）方法来代替我们自己写的两行L2 distance （欧氏距离）
新方法: Xavier initializer 有点不懂
set bias
图像记录： tensorBoard
基于TF的包 Keras
