逻辑回归
对于二分类问题，假设输入为X，是一张关于猫图片，我们想预测它是否为猫，也就是神经网络输出值有多接近1。输入的X其实为有n个特征的特征向量，我们训练神经网络其实是输入样本和标签，对w和b进行训练，这里的w和b维度与特征向量相同。训练完成之后得到的参数w和b，用来产生输出预测值。而下面这个公式计算出来的预测值通常不在0-1之间，因此将下面的式子作为自变量传入激活函数，对于二分类问题即sigmoid函数，得到0-1之间的预测值。
为了训练逻辑回归模型的参数参数和参数我们，需要一个代价函数，通过训练代价函数来得到参数和参数。先看一下逻辑回归的输出函数：
为了让模型通过学习调整参数，你需要给予一个样本的训练集，这会让你在训练集上找到参数和参数,，来得到你的输出。
损失函数：
是我们的预测值与实际值之间的差值
我们在逻辑回归中用到的损失函数是：
假如我们有m个样本，则算法的代价函数：
在训练逻辑回归模型时候，我们需要找到合适的和，来让代价函数的总代价降到最低。即我们想让损失尽可能的小，也就是预测值尽可能接近结果y，去训练得到w和b。
对于softmax函数，计算方式如下，输入值为k个样本，输出值进行归一化处理，输出每个分类的概率；
损失函数：
梯度下降
在上一节中，我们想让损失函数J(w,b)尽可能的小，函数如图所示（注：定义的函数必须是凸函数）
如图，w和b是随机初始化的，因此刚开始的J值可能在图中任意一个点上，为了使J值最小，也就是到达函数的最低点，我们使用梯度下降的方法。
以二维图像为例：
假如此时的J值在这个位置，导数为负，我们要接近最低点，就是用下图的公式，向左移动。：=表示更新参数,a 表示学习率（learning rate），用来控制步长（step），即向下走一步的长度,函数对J求导（derivative），代码中dw表示这个结果
一个神经网络的计算，都是按照前向或反向传播过程组织的。首先我们计算出一个新的网络的输出（前向过程），紧接着进行一个反向传输操作。后者我们用来计算出对应的梯度或导数，在下一次的计算过程中，就可以根据梯度调整w和b的值，使得代价函数更小，需要大量的重复这个步骤。
随机初始化
随机初始化参数很重要，而不是初始化成全零。当你参数初始化成某些值后，每次梯度下降都会循环计算以下预测值：
如果把权重初始化为0，两个隐含单元计算同样的函数，当你做反向传播计算时，这会导致dz1和dz2也会一样，对称这些隐含单元会初始化得一样，这样输出的权值也会一模一样，而我们想要两个不同的隐含单元计算不同的函数，这个问题的解决方法就是随机初始化参数。使用np.random.randn(2,2)，再乘上0.01，原因我们通常倾向于初始化为很小的随机数，可以在激活函数的图形上看出来w越大越平坦，梯度下降就会很慢，学习效率就低。
这里牵扯到隐含单元个数，即神经元了。
通常，对所有隐藏层使用相同数量的神经元就足够了。对于某些数据集，拥有较大的第一层并在其后跟随较小的层将导致更好的性能，因为第一层可以学习很多低阶的特征，这些较低层的特征可以馈入后续层中，提取出较高阶特征。
就是说，越多的神经元拟合效果越好，但注意太多会导致过拟合。
