手动实现mini深度学习框架，主要精力不放在运算优化上，仅体会原理
『计算机视觉』mini深度学习框架实现
『TensorFlow』卷积层、池化层详解
『科学计算』全连接层、均方误差、激活函数实现
Layer.py 层 class，已实现：全连接层，卷积层，平均池化层
Loss.py 损失函数 class，已实现：均方误差损失函数
Activate.py 激活函数 class，已实现：sigmoid、tanh、relu
test.py 训练测试代码
【注】主流框架对于卷积相关层的实现都是基于矩阵乘法运算，而非这里的多层for循环。但是for循环更为直观的表达了卷积的过程，所以暂不予修改，后续可能更新基于矩阵乘法的卷积实现，其原理图如下。
我们此时不对层函数进行封装，仅仅实现了最简单的前向传播、反向传播、参数获取几个功能，利用这些功能，我们已经可以实现一个最简单的神经网络，
声明并初始化各层class的实例，这会使得各个实例初始化可学习参数
（【注】一般的框架会在运行时，即第一次前向传播时才初始化参数，本demo由于是动态的，所以没必要这样写）
进入循环体：
获取数据，向前传播，计算损失函数&损失函数的梯度
向后传播，获取各个参数的梯度
对参数循环，利用参数梯度更新参数
在test.py中，我们使用tensorflow的接口，下载并读取mnist数据集，然后训练一个10分类的分类器，观察收敛过程。实际训练并查看中间输出可以看见，最开始几次训练的损失函数下降的极快，相应的梯度值如果添加了中间的输出也会极大（10^3量级，对应的参数初始化为-1~1之间），下图展示了截掉了前四次迭代之后的Loss，能够更好的展示收敛细节（未截取版本可以去博客看）：
更新了SoftMax函数，并使用感知机搭配不同的激活函数对minist数据集进行了测试，代码见minist_demo.ipynb ，多分类输出层激活函数SoftMax效果最好，中间层Sigmoid效果优于tanh。