二分分类
logistic回归是一个用于二分分类的算法。
这里有一个二分分类的例子：
假如有一个图片，内容是一只猫
把这张图片作为我们要输入的内容。想要识别此图的标签，如果是猫的话，就输出 1，如果不是的话就输出0。用变量‘y’来表示输出的标签。
当计算机要保存一张图片的时候，他需要保存三个独立矩阵，分别来对应红、绿、蓝三个颜色通道，假设输入图片是64*64像素的，那么就有三个64*64的矩阵。上述图片表示的只是5*4的。我们要把这些像素亮度都放入一个特征向量x中。用x来表示图片。
（x,y）表示一个单独的样本，x是nx维的特征向量，标签y值为0或1，训练集由m个训练样本构成
表示样本一的输入和输出。
，这个整体就表示整个训练集。
而
表示最后一样样本m的输入与输出，
来表示测试集的样本数。
这就是一个1*m矩阵。以上是在logistic回归和神经网络中会用到的符号
logistic回归
logistic回归是一个学习算法，用在监督学习问题中输出y标签是0或1时。是一个二元分类问题
已知输入特征向量x是一张图片，要你识别出来，这是不是猫图，需要运用算法给出一个预测值利用
表示y的预测值。 
，当x满足的话，那么y=1。
x是n_x维向量，logistic回归的参数是w也是一个n_x维向量，b是一个实数，如何预测的值。
这时我们就需要sigmoid函数，以下是sigmoid(z)的图像，用z来表示
logistic回归损失函数
损失函数也可以叫误差函数，它们可以用来衡量算法的运行情况，你可以定义损失为
与y的差的平方
，来衡量你的预测输出值和y的实际值有多接近。
定义一个成本函数J，衡量在全体训练样本上的表现。根据之前得到的两个参数W和b,J(w,b)等于：
梯度下降法
成本函数是一种凸函数。
梯度下降法所做的就是从初始点开始，朝最陡的下坡方向走一步，在梯度下降一步后，可能会在那里停下，因为它正试图沿着最快下降的方向往下走，这是梯度下降的一次迭代，两次迭代或许会到达那里或者多次。
计算图
这个是从左到右正向来进行计算的（正向传播）
进行求导的话，这个是从右到左反向进行计算的（反向传播）
一个计算流程图，从左到右的进行计算成本函数j，这是正向传播，然后你需要优化函数，反向从右到左计算导数这就是反向传播
logistic回归的梯度下降法
这些是logistic的公式，a是logistic回归的输出 ，y是样本的基本真值标签值，该样本的偏导数流程图如下：假设有两个特征x1,x2.我们为了要计算z,我们需要将w1,w2,b,x1,x2输入
我们在logistic回归中需要做的是变换参数w和b的值，来最小化损失函数，向后计算偏导数。
关于单个样本的梯度下降法，需要做的是使用公式计算dz,dw1,dw2,db；更新w1,w2,b
m个样本的梯度模型
向量化
向量化通常是消除你的代码中显式for循环语句的艺术，在深度学习安全领域、深度学习、练习中经常发现在训练大数据集时，深度学习算法表现才更加优越，所以你的代码运行得非常快很重要，否则它运行在一个大的数据集上面，代码可能会花费很长时间去运行。所以向量化变成一个关键的技巧。
在logistic回归中，我们需要去计算z=w^Tx+b，w是列向量 x也是列向量，它们都是R内的nx维向量
显而易见，向量化十分简洁，能加速我们的代码运行
将两个循环简化成一个循环
向量化logistic回归
向量化logistic回归梯度输出
Python中的广播
如果有一个m*n的矩阵，进行四则运算与一个1*n矩阵，那么python就会把它复制n次变成m*n矩阵，然后再逐元素做运算；如果相反与一个m*1矩阵进行运算，那么python就会把它复制n次变成m*n矩阵，然后再逐元素做运算
如果有一个m*1的矩阵，这个列向量进行运算与一个实数，把这个实数复制n 次进行运算
