import库，加载mnist数据集。
设置学习率，迭代次数，batch并行计算数量，以及log显示。
这里设置了占位符，输入是batch * 784的矩阵，由于是并行计算，所以None实际上代表并行数。输出是10类，因为mnist数据集是手写数字0-9，所以分成10类是很正常的。
W和b是变量。
第一行代码建立了一个softmax模型，意思是，将10类最后的输出结果再通过softmax函数换算一下，softmax函数如下：
，其实就是做了一次转换，让各个输出变成了概率，且概率之和等于1.
也要了解到，softmax 回归是 logistic 回归的一般形式。
cost函数定义为方差，这是可以的，但是更常用的算法应该是交叉熵。
optimizer定义为梯度下降法，学习率已经在最前面被定义完毕。
最后初始化所有的变量。
这里写了训练过程，只是被精简了很多，直接被函数替代了。
大概意思是，在每一次迭代中，又对整个batch进行迭代，这里是以一个batch为单位的。
之后sess.run()，将损失存储起来，之后进行平均损失的计算。
当然这个平均损失在每一次迭代（外层循环）后，会逐渐变小。