其实我也不知道名字是啥意思？？？
第一步，安装VMTOOLs，先下载到虚拟机，再安装
命令行sudo pip install+文件拖过来，就会自己安装了，哈哈哈超帅气
第二步，下载MNIST到虚拟机，好像tensorflow中文社区的MNIST出了毛病，所以自行百度MNIST数据集，我是在一个超级像假网站的网站下载的，还下载了input_data.py文件，作用是下载用于训练和测试的MNIST数据集的源码
https://blog.csdn.net/u012348655/article/details/62045803
https://blog.csdn.net/wuzhichenggo/article/details/79332128
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_download.html
（参考文献？？？。。。嗯，算是吧。。）
第三步，输入
import tensorflow.examples.tutorials.mnist.input_data as input_data#导入tensorflow包
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)#输出MNIST的四个图像集
import tensorflow as tf
x = tf.placeholder(tf.float32, [None, 784])#创建一个操作符号变量，来描述这些可交互的操作单元，x不是特定值，是一个占位符placeholder，我们在TensorFlow运行计算时输入这个值。我们希望能够输入任意数量的MNIST图像，每一张图展平成784维的向量。我们用2维的浮点数张量来表示这些图，这个张量的形状是[None，784 ]。（这里的None表示此张量的第一个维度可以是任何长度的。）
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10])+0.1)#Variable表示权重值和偏置量。一个Variable代表一个可修改的张量，存在在TensorFlow的用于描述交互性操作的图中。可以用于计算输入值，也可以在计算中被修改。Variable也可以表示各种机器学习应用中的模型参数。
我们赋予tf.Variable不同的初值来创建不同的Variable：在这里，我们都用全为零的张量来初始化W和b。因为我们要学习W和b的值，它们的初值可以随意设置。注意，W的维度是[784，10]，因为我们想要用784维的图片向量乘以它以得到一个10维的证据值向量，每一位对应不同数字类。b的形状是[10]，所以我们可以直接把它加到输出上面。
y = tf.nn.softmax(tf.matmul(x,W) + b)#实现模型，tf.matmul(X，W)表示x乘以W，此处x是一个2维张量拥有多个输入。然后再加上b，把和输入到tf.nn.softmax函数里面
y_ = tf.placeholder("float", [None,10])#添加一个新的占位符用于输入正确值，方便计算交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y))#计算交叉熵，首先，用 tf.log 计算 y 的每个元素的对数。然后，把 y_ 的每一个元素和 tf.log(y) 的对应元素相乘。最后，用 tf.reduce_sum 计算张量的所有元素的总和。（注意，这里的交叉熵不仅仅用来衡量单一的一对预测和真实值，而是所有100幅图片的交叉熵的总和。对于100个数据点的预测表现比单一数据点的表现能更好地描述我们的模型的性能。
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)#要求TensorFlow用梯度下降算法以0.01的学习速率最小化交叉熵
init = tf.global_variables_initializer()#初始化变量
sess = tf.Session()
sess.run(init)#启动模型，初始化变量
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})#训练模型，让模型循环训练1000次
随机抓取训练数据中的100个批处理数据点，用这些数据点作为参数替换之前的占位符来运行train_step。
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))#首先找出预测正确的标签。tf.argmax 能给出某个tensor对象在某一维上的其数据最大值所在的索引值。由于标签向量是由0,1组成，因此最大值1所在的索引位置就是类别标签，比如tf.argmax(y,1)返回的是模型对于任一输入x预测到的标签值，而 tf.argmax(y_,1) 代表正确的标签，我们可以用 tf.equal 来检测我们的预测是否真实标签匹配(索引位置一样表示匹配)。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))#这行代码会给我们一组布尔值。为了确定正确预测项的比例，我们可以把布尔值转换成浮点数，然后取平均值。例如，[True, False, True, True] 会变成 [1,0,1,1] ，取平均值后得到 0.75.
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))#计算所学习到的模型在测试数据集上面的正确率
最后输出结果0.9189