总结
一、处理数据
1.1 向量化（vectorization）
- (height, width, 3) ===> 展开shape为（heigh*width*3, m）的向量
1.2 特征归一化（Normalization）
- 一般数据，使用标准化（Standardlization）， z(i) = (x(i) - mean) / delta，mean与delta代表X的均值和标准差，最终特征处于【-1,1】区间
- 对于图片，可直接使用 Min-Max Scaliing，即将每个特征直接除以 255，使值处于 【-1,1】之间
二、初始化参数
- 一般将w 和 b随机初始化。这里用逻辑回归思想，设为0
三、梯度下降（Gradient descent）
- 根据w， b和训练集，来训练数据。需要设定迭代次数与learning rate α
3.1 计算代价函数（前向传播）
# 激活函数
A = sigmoid(w.T.dot(X) + b)
# 代价函数
cost = -np.sum(Y * np.log(A) + (1-Y) * np.log(1 - A)) / m
3.2 反向传播计算梯度
dw = X.dot((A - Y).T) / m
db = np.sum(A - Y) / m
3.3 更新参数（w, b）
w = w - learning_rate * dw
b = b - learning_rate * db
四、预测测试集
- 用训练好的模型（训练后的参数w, b），对测试集使用 y_hat = sigmoid(wx + b)，计算预测结果的概率( np.round(y_hat)))
详细内容
逻辑回归
(1) 逻辑回归的代价函数（Logistic Regression Cost Function ）
(2) 梯度下降法（Gradient Descent ）
在你测试集上，通过最小化代价函数（成本函数）J(w,b)来训练的参数 w 和 b
假定代价函数（成本函数）J(