第八节课
先定义一个二维矩阵：
接下来记录一些tensorflow的一些函数和作用：
1、tf.rank(arr).eval() 查看矩阵维度
2、tf.shape(arr).eval() 查看矩阵有几行几列
3、tf.argmax(arr,0).eval() 求索引，他的结果表示的是每一列最大的数是第几个（从0开始，上图的二维矩阵就是0~5，每列6个数）
4、tf.argmax(arr,1).eval()，求索引，求每行最大的数，同样是从0开始。
5、tf.equal(a,b) 比较a,b是否一样，返回类型为布尔类型。
随后的两节举了老师口中的“简单例子”，然而我没听太懂，总之就是3个参数，一个测试，一个训练，一个输出，在按照tensorflow封装好的几个函数和一些算法的计算后，逐渐进行运算，2层的神经网络就是逐级运算，最后输出结果，计算出一个cost值，逐渐变小，准确率逐渐增大。
卷积神经网络：
思维导图：
权重项初始化：
3是w和h，1是深度，分成64块，第二行接受64块，分成128块，第三行的7是由28×½×½后得到的（因为是n×728的，所以是28×28像素的，深度是2，乘2次½），再乘以128块，最后形成自己规定的1024的向量输出。
偏置项初始化：
分别对应上面的64份，128份和1024份向量输出
横向学习:
因为前面没看太懂，我又去找了其他平台的tensorflow的视频，重新看了一下很多知识点，大概有了一个思路，一共分为三层，一个是输入层，输入数据，一个是隐藏层，隐藏了数据的处理和选择处理的方式等等，第三层输出层，按照要求输出，还有数据的可视化展示用到了matplotlib，其中曲线的不断变化达到最佳要用到plt.ion()（Python3.5以后的版本,3.5以前的：pli.show(black=false)）。老师也是在视频中演示了简单的例子的神经网络，虽然很多函数很多套路还不是很懂，但是大概能听懂一些了，按照一定的公式一定的函数进行计算，最后输出错误率，错误率越低，准确度越高，之后就会遇到了之前学过的过度拟合问题。