吴恩达之神经网络和深度学习-2.14logistic梯度回归

回顾一下前面学过的内容，我们知道$dZ=[dz^{(1)},dz^{(2)},,,dz^{(m)}]$,$A=[a^{(1)},a^{(2)},,,a^{(m)}]$,$Y=[y^{(1)},a^{(2)},,,y^{(m)}]$
$db=\frac{1}{m}\sum_{i=1}{m}dz^{(i)}=\frac{1}{m}np.sum(dZ)$
$dw=\frac{1}{m}X(dZ)^T$
对logistic进行一次迭代：
$Z=w^TX+b=np.dot(w.T,X)+b$
$A=\sigma(Z)$
$dZ=A-Y$
$dw=\frac{1}{m}X(dZ)^T$
$db=\frac{1}{m}np.sum(dZ)$
$w:=w-\alpha(dw)$
$b:=b-\alpha(db)$
以上就对logistic进行了一次迭代，倘若我们想要迭代多次，就要用到for循环了，最外层的循环是没有办法去掉的。