概述
这里以 二分类 作为案例，讲解 后向传播（反向传播）
作用
由于前向传播中，权重 是 随机初始化 的，偏置量 一般为 0，所以计算的结果 与 真实值有 误差
反向传播的作用：找到 合适的 权重 和 偏置量，让 误差尽可能的小
逻辑回归 的损失函数
损失函数参见 ： 损失函数-逻辑回归（二分类）
即公式如下：
y^ 是样本i的预估值，也就是sigmoid函数计算的结果
sigmoid函数 如下：
所以 成本函数 如下：
注意：
- x是样本特征值
- y是样本的目标值
- m是样本数量
- w是要求得的权重
- b是要求得的偏置量
目的：
找到合适的 w 和 b，使得上面的式子 结果 尽可能的 小，那么 误差 也就尽可能的 小
梯度下降
成本函数图像如下图：
图像像碗的形状，有全局最小值，所以逻辑回归才使用该成本函数
求导
也就是预估值 减去 真实值，如下：
向量化
由于多个样本，在求导时需要使用for语句，这种效率低下，通过向量化，可以避免使用for语句
一句话解释：向量化就是将数据封装成矩阵，通过矩阵计算，避免for语句
