1、分类问题（交叉熵）：
（1）模型：
（2）代码1：
其中，tf.clip_by_value是将一个张量的数值限制在一个范围之内，若小于1e-10则赋值为1e-10，若大于1.0则赋值为1，这样避免出现log0这种错误或大于1的概率。
reduce_mean()函数是取对一个batch的交叉熵取平均运算。reduce_mean计算之前得到的结果是一个n×m的二维矩阵【每一个样本的每一类别交叉熵】，其中n为一个batch中样本数量，m为分类的类别数量。交叉熵模型中应将每行中的m个结果相加得到所有样本的交叉熵，然后再对这n行取平均得到一个batch的平均交叉熵。
代码2：
2、回归问题：（MSE）
（1）模型：
（2）代码：
（y代表神经网络的输出答案，y_代表了标准答案）
3、自定义损失函数：
（1）模型：
（2）代码：
