2.7计算图
2.8计算图的导数计算
2.9 logistic回归中的梯度下降法
2.10 m个样本的梯度下降
2.11向量化比for循环可以节省大量的时间，运行速度会更快
2.12 向量化的更多例子
2.13 向量化logistic 回归
2.15python中的广播
https://blog.csdn.net/kevindree/article/details/88379111
https://blog.csdn.net/weixin_41923658/article/details/98195678
2.16关于python_numpy向量的说明
np.random.randn()函数
语法：
np.random.randn(d0,d1,d2……dn)
1)当函数括号内没有参数时，则返回一个浮点数；
2）当函数括号内有一个参数时，则返回秩为1的数组，不能表示向量和矩阵；
3）当函数括号内有两个及以上参数时，则返回对应维度的数组，能表示向量或矩阵； （如下则返回2行3列的数组）
4）np.random.standard_normal（）函数与np.random.randn()类似，但是np.random.standard_normal（）
的输入参数为元组（tuple）.
5)np.random.randn()的输入通常为整数，但是如果为浮点数，则会自动直接截断转换为整数。
建议使用下面的写法：
