logistic回归是一个用于二分分类的算法。
例子：假如你有一张图片作为输入，想要输出识别此图的标签，是猫则为1，不是则为0。用y来表示输出的结果标签。
图片在计算机中是如何表示的呢？计算机保存一张图片，要保存成三个独立的矩阵，分别对应图片中红绿蓝三个颜色通道。所以如果图片像素为64*64，则就有三个64*64的矩阵，分别表示像素中红绿蓝三种颜色的亮度。
给一个5*4（高*宽）规模的矩阵作为例子，要把这些像素亮度值放进一个特征向量中，就要把这些像素值都提出来，放入一个特征向量x。定义一个特征向量x，先将红色的像素强度值列出来，然后列绿色、蓝色，全部列成一长列，把图片中所有的红绿蓝像素强度值都列出来。所以如果图片是64*64像素，则特征向量x的的总维度是64*64*3=12288。nx表示特征向量x的维度，为了简洁，用n表示。
在二分分类问题中，目标是训练出一个分类器。它以图片的特征向量x作为输入，预测输出的结果标签y是1还是0，也就是预测图片中是否有猫。
符号约定：用一对（x,y）来表示一个单独的样本，x是nx维的特征向量，y是标签，值为0或1。m代表训练集的训练样本个数，或m_train表示训练集，m_test表示测试集的样本数。
如上图所示，用一个矩阵（X）来表示训练集，它由训练集中的x1、x2这些组成，将其写成矩阵的列，每一列是一个特征向量x（如一张图片、一句话），一共m列（m个图片、m个文本）。这个矩阵的高度为nx，即特征向量的维度（一张图片的像素数*3、一句话的长度）
要注意的是，有时矩阵X的定义，将训练样本作为行向量堆叠，而不是这样的列向量堆叠。即将x1、x2、……、xm进行转置。但是构建神经网络时，用列向量堆叠的形式，会让构建过程简单许多。
则X是一个nx*m的矩阵，当用Python实现的时候，有一条命令X.shape用来输出矩阵的维度，即（nx，m），表示X是一个nx*m的矩阵。这就是如何将训练样本，即输入x用矩阵表示。输出标签y呢？为了方便，构建一个神经网络，将y标签也放在列中，即y1、y2、……、、ym，这里的Y是一个1*m矩阵。同样的在Python中，Y.shape等于（1，m），表示这是一个1*m矩阵。
好的惯例符号，能够将不同训练样本的数据联系起来。将不同的训练样本数据取出来放在不同的列上。
155-2731-8020