第二周的课程，首先是重温神经网络编程的基本知识。
Binary classification
逻辑回归是二元分类问题。比如：根据图片判断cat or not的问题。
这时，图像矩阵包含的元素总数为64*64*3（红绿蓝三色 64*64为图像大小）所以用n(x)=12288表示输入特征向量x的维度；输出y为1或0（标签）。当测试用例为m个时，给出的X:
这种nx*m写法比m*nx在神经网络的运用时会更简单。
Logistic Regression
线性回归对二分类问题来说，并不是好算法（二分类概率应在0~1之间，线性回归wx+b很容易出此范围。）
这时使用逻辑回归，对wx+b取sigmoid函数：
另外要注意的是，在实现神经网络时，把参数w和b分开看待会更加简单，b是偏置量，w是nx维参数：
Logistic Regression Cost Function
损失函数是为了用来优化逻辑回归模型的参数w和b。
误差函数（Loss function）是为了在算法输出时定义损失，检测算法运行情况（需要进行设定）。
但在逻辑回归里一般不用平方误差的损失函数，因为研究参数时，优化问题会非凸。实际使用的损失函数公式为：
在这个公式中，当y=1，想要小的L，则需要很大的log(yhat)，又yhat是sigmoid函数，所以取最大为无限接近1；
当y=0，想要小的L，则要很大的log(1-yhat)，同理，取yhat无限接近0。
所以损失函数如上，它想找到对所有样本来说，整体成本最小的w和b。
逻辑回归是一个很小的神经网络。
Gradient Descent
本小节问题：如何用梯度下降来调整训练集中的参数w和b。
对上小节的J(w,b)进行画图（在实践中w可以是更高的维度），损失函数J是一个凸函数（convex function），每一步都在试图沿着最陡的下坡方向走：
用：=表示该参数在进行迭代，在算法收敛前，repeat：
其中，alpha代表学习率，是每一次迭代中梯度下降的步长。
当参数太大时，导数为正，参数变小；参数太小时相反。
Derivatives（微积分）
讲直线slope（斜率）处处相同的，初中数学。
More Derivatives Examples
讲曲线斜率不是处处相同的，同样初中数学。
Computation graph
没什么内容。
Derivatives with a Computation graph
解释什么是反向传播，链式法则。
Logistic Regression Gradient Descent
接上小节，反向传播意义：反向算出需要改变的w和b。
Gradient Descent on m examples
大数据for循环太慢，所以一般用vectorization（矢量化）。