符号解释
(x，y)：其中x表示一个nx维度的数据，为输入数据，维度为（nx，1），也是一个nx维的特征向量，y表示标签
用大写X表示训练集矩阵，X是一个规模为nx乘以m的矩阵，X.shape()会返回(nx，m)，由m个样例组成的训练集矩阵，第一个样例放在第一列……。而训练集的输入标签Y也可以用一个(1，m)的矩阵表示。
上标圆括号(i)表示第i个训练样本。
原理
逻辑回归定义的损失函数不再是差的平方的一半，原因是当学习权重参数的时候，会发现如果用差的平方和，优化目标不是凸优化（代价函数不是凸函数），只能找到多个局部最小，GD算法可能找不到全局最优。
所以，这里我们定义的损失函数是：
损失函数是对单个训练样本定义的，它衡量的是单个训练样本在算法中表现如何，为了衡量在训练集算法效果，引入代价函数，是对m个样本的损失函数求和除以m。
训练的时候对代价函数GD算法即可。
梯度下降
3.1 单个样本损失函数：
3.2 m个样本的梯度下降
使用一个for循环遍历训练集。同时，计算相应的每个训练样本的微分，然后将他们加起来。让i从1取到m，m正好是训练样本的个数。
上述方法：有两个for循环，第一个是循环遍历m个样本，第二个是循环遍历所有特征（上面例子只有两个特征w1，w2，nx=2）。可以采用向量化加速运算。
向量化
内层j的循环去掉，向量化实现，对第i个训练样本（一个nx的向量），与维度同为nx的dz向量相乘。
向量化的逻辑回归
非向量化实现
向量化实现：
在这里w是一个向量，x是一个向量，b是一个数