tensorflow实战之二：MNIST手写数字识别的优化1-代价函数优化

     上一节我们介绍了最简单的tensorflow的手写识别模型，这一节我们将会介绍其简单的优化模型。我们会从代价函数，多层感知器，防止过拟合，以及优化器的等几个方面来介绍优化过程。

   1.代价函数的优化：

            我们可以这样将代价函数理解为真实值与预测值的差距，我们神经网络训练的目的就是调整W,b等参数来让这个代价函数的值最小。上一节我们用到的是二次代价函数：

在TensorFlow中的实现为：loss = tf.reduce_mean(tf.square(y-prediction))，但是这个代价函数会带来一定的问题，比如说刚开始学习的会很慢。我们知道神经网络的学习是通过梯度的反向传播来更新参数W,b的：

但是我们的sigmoid激活函数为：