1. 逻辑回归训练模型的三个步骤：
（1）. 第一步：建设逻辑回归模型，指定在给定输出特色 X, 参数 w 和 b 的状况下，计算输入。
（2）. 指定损失函数（loss function）或代价函数 (cost function)。给定损失函数的定义，而后咱们定义代价函数，代价函数是参数 W 和 B 的函数，这是 M 个训练样本，计算的损失函数的平均值（x1,y1）到（xm,ym）。
留神：
·损失函数（loss function）是对一个训练样本（x,y）的掂量，输入预测和实在标签的计算值
· 代价函数 (cost function) 是在整个训练集上计算的损失函数的平均值。
（3）用一个具体的梯度降落算法来最小化代价函数 J, 作为参数 w 和 b 的函数.
2.TensorFlow 中训练神经网络的三个步骤：
同样上边的三个步骤也是咱们在 TensorFlow 中训练神经网络的三个步骤
（1）确定在给定输出 x 和参数 b 的状况下如何计算输入
（2）编译这个模型，通知它你想用的损失函数，而这里是你用来指定损失函数的代码，这个损失函数也就是你模型的代价函数（cost function）
例：分类数字 0，1
这里应用的损失函数是和逻辑回归一样的损失函数，其中 y 是实在标签，有时也被成为目标标签，f(x)当初是神经网络的输入，在神经网络中这个函数被称为二元穿插熵（this loss function is called binary cross entropy.），在 Tensorflow 的术语中，这个函数被称为二元穿插熵，这个语法是要求 TensorFlow 利用该损失函数编译神经网络
(3)调用函数去最小化神经网络函数的代价
TensorFlow 晓得你想最小化的代价是平均值，即取训练集上所有训练样本损失的平均值，优化这个代价函数，使得神经网络和你的二分类数据相拟合，如果你想解决回归问题，而不是分类问题，你也能够通知 TensorFlow 用不同的损失函数去编译模型
·神经网络的损失和代价函数
·参数的拟合
在之前的学习中，利用梯度降落进行参数的调整。而在 TensorFlow 中, 我在规范的神经网络训练中，咱们应用的是反向流传算法，咱们只须要调用 model.fit(X,y)函数，通知它要迭代多少次或者多少个 epoch