逻辑回归的三个重要内容：
1、初始化参数
2、计算cost函数和梯度
3、优化算法（梯度下降）
相互之间的关系，每个函数需要什么参数，输出什么参数都要比较清楚，解决了这三个问题思路就会很清晰了，嘿！
开始把！仔细捋一遍逻辑回归的实现过程！
1、初始化参数
逻辑回归对参数的初始化很容易，直接都是0就好了，其中w的维度是（num_px*num_px*3,1）,b=0。
传入参数：num_px*num_px*3
return：w，b
w = np.zeros(dim).reshape(dim,1) 注：np.zeros()之后是一维的，要reshape()一下
2、计算cost函数和梯度
这一部分基本包括了正向传播和反向传播的全过程。
传入参数：w,b,训练集X,Y
return：梯度（dw，db），cost
3、梯度下降算法
传入参数：w,b,X,Y,迭代次数，学习率
return：学习后的参数（w，b），学习后的梯度（dw,db）,数组costs（每100次学习后的cost）
4、预测函数，根据已经学习好的w，b判断X测试集的结果，用于计算正确率
传入：w,b,X
return:Y_prediction
6、整合：
初始化w,b
用训练集优化w,b
测试测试集
传入：训练集，测试集，学习次数，学习率
搞定！
