在机器学习领域我们经常会遇到cost function和loss function(也叫error function)，而这两个function实际是有区别的。loss function通常用于衡量单个样本其预测值和实际值的“差距”，而cost function通常是针对样本集中的所有样本，而且是一个平均值。
Loss Function
既然loss function是用于衡量预测值和实际值之间的"差距"，那么我们其实有很多的衡量手段，比如通过方差，如下：
1.1-loss function
但是，在logistic regression算法中使用方差的方式无法得到凸函数(convex)，也就无法得到全局最小值，所以，我们在logistic regression中使用不同的loss function，如下：
1.2-loss function2
需要注意的是，不论是哪个函数，都是针对单个样本的，所以都带有上标
(i)
Cost Function
cost function 是针对整个样本集的，因此它的计算公式需要将所有的loss function的结果进行加总然后求平均值，如下：
2.1-cost function
Derivative
针对loss function和cost function的求导如下：
3.1-derivative of loss function and cost function
- cost function J针对某个权重w的求导实际是loss function针对w的导数之后再求平均值
完整的计算过程比较复杂，如下图所示：
3.2-gradient decent procedure
- 目前针对w和b的求导均是通过两个for循环来进行求导，但是后续我们实际可以通过vectorization的方式进行并行计算。
- 注意dw的计算过程实际是通过计算每个样本的loss function对w的导数，然后累加，然后再计算平均值。有了dw之后，再进行梯度下降。
