弄清以下問題的含義：
1.

tf.train.global_step

獲取全域性訓練步數， 由 各種損失函式優化器中的minimize()方法負責自動加1

 sess.run(
    fetches,
    feed_dict=None,
    options=None,
    run_metadata=None
)

• fetches: A single graph element, a list of graph elements, or a
  dictionary whose values are graph elements or lists of graph elements
  (described above).

• feed_dict: A dictionary that maps graph elements
  to values (described above).

• options: A [RunOptions] protocol buffer

• run_metadata: A [RunMetadata] protocol buffer

翻譯一下： fetchs 是一個[] ，字典中的元素是計算圖中定義的元素，
feed_dict用來提供輸入引數

• word embedding 與one-hot 相比是連續的，可以表達出詞與詞之間的聯絡。 word2vec 可以高效獲得 word embedding 。 有兩種模型，一個叫CBOW，還有一個skip-gram 。 CBOW適用於小型資料，採用根據上下文預測目標詞。 而skip-gram 適用大型資料集 使用目標詞推測上下文

神經網路模型的結果使用 one-hot vector來表示