圖片數據如何輸入到神經網絡
1張圖片：原本是 64 * 64 * 3的 rgb數據，拉成一個12288 * 1的列向量，每一個元素都是一個特徵。
m張圖片：矩陣就是 12288 * m，每一列都是一張圖片。
如何預測，圖片是貓嗎？（0/1 二分類問題）（用邏輯迴歸）
答：z = dot(w,x) + b
例子1：去外面玩嗎？
結果 = （天氣權重 * 天氣情況） + （身體狀態權重 * 身體狀態情況） + （心情權重 * 心情情況 ) + bias
若z > 0,去；若z < 0 不去；
z = ( w1 * x1 + w2 * x2 + w3 * x3) + b
= (2 * 0 + 2 * 1 + 7 * 1) + (-5)
= 2
例子2：圖片是貓嗎？
每個特徵，都配一個權重，如果結果 > 0 是貓，如果 < 0 不是貓。
sigmoid起了什麼作用？
把z映射到0~1區間，結果0.8 == 80% 有貓
這種方法的向量化表示（前向傳播得出預測結果）
註釋：向量默認都是列向量
對於單個結果
對於全部結果
怎麼看預測的準不準？
單個樣本 準確否？loss function
全部樣本 準確否？cost function
註釋：L 與 J 都在同一個數量級上， 只是J 更平均，是所有L的平均數。
如何根據數據學習，如何預測得更準？
J越小，越精準！ J是全部樣本Loss的平均數， J是由 w 和 b 決定的！
J是一個凸函數，
訓練的目的，就是通過"梯度下降"，調整到合適的w 和 b，使得J最小！==預測更準確！
r == 步長 ， dw == 導數/偏導數/斜率
計算偏導數dw、db(鏈式求導)反向傳播to優化W B
前向傳播（計算出z，進而映射出概率a，比較答案，得出差值L）
反向傳播（其實就是鏈式求導）
目的：計算出 dw1 dw2 db，更新w1 w2 b，使得J下降
計算：
對於單個樣本：
對於矩陣（向量化）：
對於dw：想想"廚師做菜，油鹽醋""油比：鹽比：醋比"的例子，這個列向量代表什麼？
更新迭代：
