MNIST是一个入门级的计算机视觉数据集，MINIST数据集包含两部分：60000行训练数据集和10000行测试数据集；每一个MNIST数据单元包含一张手写数字图片和每一张图片对应的标签；我们把这些图片设为“xs"，标签设为”ys“，训练数据集和测试数据集都包含xs和ys;
在MNIST训练数据集中，图片集是一个形状为[60000,784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点，在此张量里的每一个元素，都表示某张图片里的某个像素的强度值，值介于0和1之间；标签集是一个[60000,10]的数字矩阵；
Softmax Regression：简单的数学模型；softmax模型可以用来给不同的对象分配概率
Softmax回归： 分两步：第一步：为了得到一张给定图片属于某个特定数字类的证据，我们对图片像素进行加权求和（像素有很强的证据不属于该类，相应权值为负数，像素有很强的证据属于该类，相应权值为正数）；第二步：用softmax函数可以把这些证据转换为概率y；
训练模型：需要定义一个指标来评估这个模型是好的；在机器学习中，通常定义指标来表示一个模型是坏的，这个指标称为成本或损失，然后尽量最小化这个指标（这两种方式是相同的）
交叉熵：一个非常常见的，非常漂亮的成本函数；交叉熵产生于信息论里面的信息压缩编码技术，后来演变成从博弈论到机器学习等其他领域里的重要技术手段；比较粗糙的理解是，交叉熵是用来衡量我们的预测用于描述真相的低效性；