神经网络中，前向传播和反向传播 矩阵维度的问题

以1个输入层、1个隐藏层和1个输出层为例，分析编程中变量的维度。

初始化：
w1的维度：    隐藏层节点个数 *特征个数  
b1的维度：    1 * 隐藏层节点个数     
w2的维度：    输出层节点个数 * 隐藏层节点个数   
b2的维度：    1 * 输出层节点个数     

前向传播： 
Train_data             特征数量 * 样本数量              
z1 = w1 * Train_data    隐藏层节点个数 * 样本数量
a1 : z1                隐藏层节点个数* 样本数量
z2 = w2 * a1           输出层节点个数 * 样本数量       
a2 : z2                输出层节点个数 * 样本数量
y : a2                 输出层节点个数 * 样本数量

z1 = w1 * train_data + b1; 
a1 = sigmoid(z1);   
z2 = w2 * a1 + b2;
a2 = sigmoid(z2);   


反向传播： 
da2 = dAL               输出层节点个数* 样本数量  如果cost function等于y，则是这种情况
s2 = 1/(1+np.exp(-z2))    输出层节点个数* 样本数量    
dz2 = da2 .* s2 .* (1-s2)   输出层节点个数* 样本数量  不是点积，是按相同位置相乘。  s2 .* (1-s2)为sigmoid的导数
dw2 &#