变量初始化与数据批量操作

在tensorflow中通过tf.Variable()添加变量，变量就是在tensorflow程序运行中不断改变的量，也就是“学习”的过程，通过改变变量来降低loss  

所有变量在进行图操作前，一定要进行变量初始化，变量初始化命令为：

init = tf.global_variables_initializer()
sess.run(init)
初始化操作是一个赋值的过程，将变量的初始值赋值给变量，使得接下来的图运行中变量有值，才可以在反向传播中进行变化
变量的初始化操作只需要进行一次，如果不进行初始化操作则运行会报错
tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value Variable
如果进行多此初始化，则最后的损失会变得无法接受，因为每次tensorflow进行运算时，就是损失的降低来改变权重W和阈值b,如果在tensorflow
改变的过程中同时初始化变量，相当于把之前tensorflow的工作全部抛弃，所以损失会变得无法接受。

数据批量操作
当数据量太大时，可以设置batch_size批量输入数据，根据批量训练的平均损失来进行梯度计算，批量训练数据量的大小可自己选择
可以一次扩充到整个数据集当中。
批量每个数据点的平均损失采用tf.reduce_mean()函数来实现。