1、代码的运⾏log截图
2、对模型结构的理解
本模型是一个2层的全连接神经元网络，包含输入层、1个隐藏层、1个输出层。
输入层为784个node的张量，既为32*32分辨率并经过二值化后的图片的所有像素点组成的一个向量。
第一层为隐藏层，有100个node，其值为输入层的784个节点乘以784*100个权重加上偏置项后的和，经过relu激活函数取得的结果。
L1_units_count = 100 #第一层网络
W_1 = tf.Variable(initialize([784, L1_units_count]))
b_1 = tf.Variable(initialize([L1_units_count]))
logits_1 = tf.matmul(x, W_1) + b_1
output_1 = tf.nn.relu(logits_1)
第二层为输出层，输出10个node，其值为隐藏层的输出值乘以100*10个权重，加上偏置项取得（此时的数据未经过激活函数，将会在后面使用softmax函数激活）。
L2_units_count = 10 #第二层网络
W_2 = tf.Variable(initialize([L1_units_count, L2_units_count]))
b_2 = tf.Variable(initialize([L2_units_count]))
logits_2 = tf.matmul(output_1, W_2) + b_2
logits = logits_2
3、对模型训练过程（梯度如何计算，参数如何更新）的理解
模型一次训练过程包括前向传播和反向传播
前向传播过程中通过权重与输入数值相乘累加，并通过激活函数得到输出值作为下一层的输入值，逐层计算得到最终的输出值。
反向传播过程的核心，是通过比较输出y和真值t，对参与计算的w进行调整。其计算方法是从网络的输出层开始，向输入层方向逐层计算梯度并更新权重，与前馈运算正好相反。首先计算输出节点的总误差，并将这些误差用反向传播算法传播回网络，以计算梯度。接下来，使用类似梯度下降之类的算法来调整网络中的所有权重，目的是减少输出层的误差。当计算一个节点的误差项时，需要先计算每个与其相连的下一层节点的误差项。这就要求误差项的计算顺序必须是从输出层开始，然后反向依次计算每个隐藏层的误差项，直到与输入层相连的那个隐藏层。当所有节点的误差项计算完毕后，就更新了所有的权重。
4、对计算图的理解。
计算图主要由四个部分构成:
1、张量（Tensor）
2、操作（Option）
3、变量（Variable）
4、会话（Session）
在计算图计算或者张量的运算中，会经常使用一些方法来对数据进行操作,包括最简单的对元素的运算，对矩阵进行运算，定义常量，大量的神经元函数的操作以及保存模型的相关操作等。上图中包含的操作有placehold、Matmul、add、Relu、Softmax、ArgMax、Equal、Cast、Mean、Saver和Restore等。
变量就是在计算图的过程中可以改变的节点，在本例中，权重w和偏置项b都会随着迭代的进行而不断变化着，这样的值就可以拿来作为变量。在实际的训练过程中，一般会把需要训练的值设置为变量。一般来讲，在使用变量的时候，我们都会给变量设置一个初始值，然后根据训练的次数迭代，再将真正的变量不断地推断出来。一般会通过构造一个Variable类的实例在图中添加一个变量。当这个变量被设置初始值后，这个变量的形状和类型就会被固定下来。通过assign()函数来改变它，通过Variable()创造的变量可以作为图中的其他操作来使用，你也可以在图中添加节点，对变量进行算术操作。
在Tensorflow中，启动一个图的前提是先要创建一个会话（Session）,Tensorflow的所有对图的操作，都必须放在会话中进行。在会话中提供了一个run方法，用来执行计算图的整体或局部的操作。
5、解释这⾥的模型为什么效果⽐较差。
这里的神经网络模型只有一个隐藏层，神经元数目也较少，模型相对比较简单，而且训练轮次较少，所以模型效果比较差。
程序：
待定!!!!