1.logistics regression model
y' = σ(WTx+b)
激活函数：sigmoid函数
损失函数：L(y',y) = -[y·log(y')+(1-y)·log(1-y')]（二分类）
代价函数：损失均值，J(W,b) = 1/m·Σmi=1/m·ΣL(y'(i),y(i))，是W和b的函数
训练模型的步骤：
初始化W和b，指定learning rate和迭代次数
每次迭代，根据当前W和b计算对应的梯度（J对W，b的偏导数），然后更新W和b，w := w - α(dJ/dw)
迭代结束，学得W和b，带入模型进行预测，分别测试在训练集合测试集上的准确率，从而评价模型
2.向量化
只要阔能，就不要使用显示for循环（explicit for-loop），而是尽可能采用矢量化技术（Vectorization）
深度学习中的数据量往往巨大，用for循环去跑的话效率会非常低下，相比之下，矩阵运算就会快得多。而python的矩阵“传播机制（broadcasting）”和专门用于矩阵计算的numpy包更是给了我们使用矩阵运算的理由。
所谓的Vectorization，就是把我们需要用for-loop来对那些只有上标或者下标变化的变量，放进一个向量或者矩阵中，让他们所有变量同时计算！
因此，Logistic regression算法向量化的过程，就是：
1.把m个样本，同时算出它们的z(i),也就是直接算Z这个m维行向量
2.同时把Z的m维都激活，得到m维行向量A
3.得到A和Z之后，就可以直接计算J对Z的梯度dZ了，得到dZ之后，也就可以直接算出W和b的梯度了
4.同时更新所有的w(i)和b(i)
3.算法步骤
（一）数据预处理
1）搞清楚数据的形状、维度
(209, 64, 64, 3)，第一维代表m，即样本数量，第二维第三维分别是图片的长和宽，第四维代表图片的RGB三个通道
2）将数据（例如图片）转化成向量（image to vector）方便处理
3）将数据标准化（standardize），这样更好训练
每个特征都转化成了同样的分布，不管原来的范围是什么，现在都基本限定在同样的范围内了。原数据的不同特征的范围可能会有很大差别，比如一批数据中“年龄”的范围就比较小，可能20岁 ~ 60岁之间，但是另一个特征“年收入”可能波动范围就很大，也许0.5万 ~ 1000万，这种情况下会导致我们的 等高线图变得十分“扁平”，在梯度下降的时候会很 容易走弯路，因此 梯度下降会比较慢，精度也不高。但是经过标准化（也称归一化）之后，等高线就变规矩了，就很容易梯度下降了。
另外，对于图片数据的话，进行标准化很简单，因为RGB三个通道的范围都是255，我们对图片的处理就是直接除以255即可。
（二）构造各种辅助函数
1）激活函数（此处我们使用sigmoid函数）--activation function
2）参数初始化函数（用来初始化W和b）--initialization
3）传播函数（这里是用来求损失cost并对W、b求导，即dW、db）--propagate
包含了forward-propagate和backward-propagate，即正向传播和反向传播。
正向传播求的是cost，反向传播是从cost的表达式倒推W和b的偏导数
4）优化函数（迭代更新W和b，来最小化cost）--optimize
5）预测函数（根据学习到的W和b来进行预测）--predict
（三）综合上面的辅助函数，结合成一个模型
可以直接输入训练集、预测集、超参数，然后给出模型参数和准确率
