一、项目简介
手动实现mini深度学习框架，主要精力不放在运算优化上，仅体会原理。
地址见：miniDeepFrame
相关博客
『TensorFlow』卷积层、池化层详解
『科学计算』全连接层、均方误差、激活函数实现
文件介绍
Layer.py 层 class，已实现：全连接层，卷积层，平均池化层
Loss.py 损失函数 class，已实现：均方误差损失函数
Activate.py 激活函数 class，已实现：sigmoid、tanh、relu
test.py 训练测试代码
主流框架对于卷积相关层的实现都是基于矩阵乘法运算，而非这里的多层for循环。由于计算机计算矩阵乘法速度非常快，所以这是一个虽然提高内存消耗但是计算速度显著上升的方法，把feature map中的感受野（包含重叠的部分，所以会加大内存消耗）和卷积核全部拉伸成为向量，组成两个矩阵相乘，再想办法恢复为输出的feature map（详见『TensorFlow』卷积层、池化层详解）。
二、测试输出
我们此时不对层函数进行封装，仅仅实现了最简单的前向传播、反向传播、参数获取几个功能，利用这些功能，我们已经可以实现一个最简单的神经网络，
声明并初始化各层class的实例，这会使得各个实例初始化可学习参数
（【注】一般的框架会在运行时，即第一次前向传播时才初始化参数，本demo由于是动态的，所以没必要这样写）
进入循环体：
获取数据，向前传播，计算损失函数&损失函数的梯度
向后传播，获取各个参数的梯度
对参数循环，利用参数梯度更新参数
在test.py中，我们使用tensorflow的接口，下载并读取mnist数据集，然后训练一个10分类的分类器，观察收敛过程。
损失函数收敛展示
实际运行test.py，会输出loss函数结果，并绘制成图，左图展示了整个loss函数收敛过程，
实际训练并查看中间输出可以看见，最开始几次训练的损失函数下降的极快，相应的梯度值如果添加了中间的输出也会极大（10^3量级，对应的参数初始化为-1~1之间），于是下图截掉了前四次迭代输出的Loss，能够更好的展示后面的收敛过程：
