修改对于initializer和variable的描述，增加实战代码。

ch12_网络搭建及训练/第十二章_网络搭建及训练.md

@@ -209,11 +209,34 @@ with tf.Session() as sess:
 
 #### 2. variable
 
-  在对机器学习模型进行训练时，我们需要不断调整模型的状态，这个状态就由variable来保存。创建variable时我们需要给一个初始值。
+&emsp;&emsp;无论是传统的机器学习算法，例如线性支持向量机（Support Vector Machine, SVM)，其数学模型为y = <w,x> + b，还是更先进的深度学习算法，例如卷积神经网络（Convolutional Neural Network， CNN）单个神经元输出的模型y = w*x + b。可以看到，w和b就是我们要求的模型，模型的求解是通过优化算法（对于SVM，使用
+SMO[1]算法，对于CNN，一般基于梯度下降法）来一步一步更新w和b的值直到满足停止条件。因此，大多数机器学习的模型中的w和b实际上是以变量的形式出现在代码中的，这就要求我们在代码中定义模型变量。
+
+```
+import tensorflow as tf
+a = tf.Variable(2.)
+b = tf.Variable(3.)
+with tf.Session() as sess:
+	sess.run(tf.global_variables_initializer()) #变量初始化
+    print(sess.run(a*b))
+[out]:6.
+```
+
+[1] Platt, John. "Sequential minimal optimization: A fast algorithm for training support vector machines." (1998).
 
 #### 3. initializer
 
-&emsp;&emsp;每次启动图都需要初始化变量，虽然在创建变量时指定了初始值，但我们还是需要先运行一下初始化节点。使用未初始化的节点进行计算会产生异常。
+&emsp;&emsp;由于tensorflow构建的是静态的计算流图，在开启会话之前，所有的操作都不会被执行。因此为了执行在计算图中所构建的赋值初始化计算节点，需要在开启会话之后，在会话环境下运行初始化。如果计算图中定义了变量，而会话环境下为执行初始化命令，则程序报错，代码如下：
+
+```
+import tensorflow as tf
+a = tf.Variable(2.)
+b = tf.Variable(3.)
+with tf.Session() as sess:
+	#sess.run(tf.global_variables_initializer()) #注释掉初始化命令
+    print(sess.run(a*b))
+[Error]: Attempting to use uninitialized value Variable
+```
 
 ### 2.启动图