利用简单逻辑回归（Logistic Regression）学习MNIST手写数字集
一动机：想学习深度学习算法，之前已经看过Andrew NG的课程，听完之后感觉原理也不是很难，于是萌生了上手试一把的冲动，最开始用了TensorFlow，感觉很神奇的几段代码就达成了，然而用TensorFlow感觉还是很黑盒的感觉，还是想用Python手动撸一把，于是就上手试一下。
二方法：基本原理其实不是很复杂，照着线性回归，改成sigmoid的函数就可以了，超过两个用softmax，Cost函数变化了，不过权重更新貌似挺像的。(原理笔记见这里https://blog.****.net/mysql403/article/details/51246822)
三过程：
1 数据下载，直接从tensorflow里面读取，
import tensorflow.examples.tutorials.mnist.input_data
mnist = input_data.read_data_sets('data/', one_hot=True)
读取到的数据有train（55000）和test（10000）两个数据集 分别有images（784，1）和labels（10，1）两项，
2 原理虽然不难撸代码还真不简单呀，(x,y)(x_,y_),w,b分别是什么样的矩阵，如何乘这些细节都要考虑。考虑完之后，训练样本要怎么训练，一时，居然想不明白了，不就是有GD算法么?可是问题是 五万个样本，分别对应五万个label输出，这更新一次，到底是一个样本一个样本，更新还是全部采样呀？于是，回去看基础，梯度下降法的三种解释（BGD,SGD,MBGD)，见下方（原来是这么分着的），果断采用容易理解的SGD。
3 上代码
第一版：
拿到test集里面测试，居然10000个正确了八千多个，很是欣喜。
然而训练数据超过一万居然溢出了（心里不知道怎么回事）：
于是，查资料，说可能是学习率太高，导致梯度爆炸（自己理解应该是步子太大，扯着蛋了，好疼），于是，才想起好像是有这么个参数，于是，调整代码
吼吼，不错，这次55000个样本全部训练完了，而且，正确率在80%多，不错啊。
不过这个学习率过大过小貌似都不太行，试了几次学习率在0.005的时候，正确率达到了90%，天呀，神奇。。。