这里需要一步步从零开始（也不完全是0）建立神经网络，自己造一个弱化版的TensorFlow，能够更好的理解神经网络的原理。
虽然以后可能自己也不会再自己写搭建神经网络的代码，但是深入理解了神经网络的构造之后，就能更好的分析自己的输入和得到的输出，来发现可能会出现的问题（比如有些点一直都被激活或者一直都不会被激活，训练的时候需要关注这样是否会产生误差）
所以在Python中，我们首先定义Node这个Object，它具有输入节点，输出节点，值和梯度4个properties，并且有forward和backward这2个method。
然后建立subclass，就是具体Node的类型，有Input，Linear，Sigmoid，MSE，除了Input只有反馈没有前馈（因为没啥好计算的）之外大家都有前馈和反馈的method，并且每种Node的计算方法不一样，properties也不一样（类似function的输入）。
最后是MiniFlow自己的Method，topological_sort(), forward_and_backward(), sgd_update()。
topological_sort()：把一个表图变换成线性流程
forward_and_backward()：对每一个节点各自调用前馈和反馈函数
sgd_update()：根据weight，bias，learning_rate计算新的weight和bias
还涉及到batch_size，就是指一次循环中取的样本数量，越多越精确，因为如果数据集很大的话用gd内存会不够，所以就用速度快精度也不太差的sgd。
扩展阅读：
- Yes you should understand backprop by Andrej Karpathy
- Vector, Matrix, and Tensor Derivatives by Erik Learned-Miller.
至此MiniFlow就建好了，完全可以用在MNIST上了！
