2.6 向量化 logistic 回归的梯度输出（Vectorizing Logistic Regression’s Gradient Output）

db可表示为：

$$db=\frac1m \sum_{i=1}^mdz^{(i)}$$

dw可表示为：

$$dw=\frac1m X\cdot dZ^T$$

单次迭代，梯度下降算法流程如下所示：

Z = np.dot(w.T,X) + b
A = sigmoid(Z)
dZ = A-Y
dw = 1/m*np.dot(X,dZ.T)
db = 1/m*np.sum(dZ)

w = w - alpha*dw
b = b - alpha*db