当你构建一个神经网络时，有一些技巧是非常重要的。例如，在神经网络设计中，若想遍历m个样本的训练集并不需要直接用for循环去遍历所有样本。
神经网络的计算过程可以分为：前向传播（forward pass）和反向传播(backward pass)
logistic回归 （是一个用于二分分类的算法）
2.1 二分分类（Binary Classification）
二分分类的例子：一张有两只猫的图片，判断图片中是否有猫。
（x,y）表示一个单独的样本，x ,y{0,1}
训练集由m个训练样本组成，(,)为训练样本的输入和输出，
把像素值都提出来作为特征向量x，输入特征向量的维度=64643=12288
输出结果y，y{0,1}
X是一个m的矩阵 Y是一个1m的矩阵
用python实现一个m的矩阵
X.shape=(n_x,m)
Y.shape=(1,m)
2.2logistic回归
logistic回归是一个监督学习算法，用于输出y为0或1的情况（二元分类问题）。
预测值
参数：w 和b
已知输入x和参数w和b，想要求预测值。问题是，当参数w和b都可能是很大的数时，如何使得预测值是一个介于0~1之间的概率值。于是这里引入一个()函数
成本函数
为了训练logistic回归模型的参数w和d，需要定义一个成本函数
给出m个样本的训练集，希望达到样本预测值接近于训练集中的值。
损失函数：
成本函数：
损失函数基于单个的样本，成本函数对应多个样本，训练logistic回归模型时要做的就是要找到合适的参数w，b使得尽可能小。
