本文重点

上一节课程中，我们学习了m个样本的前向传播的向量化，我们可以同时完成m个样本的前向传播，也就是m个样本z的计算，然后a的计算。本节课程我们将学习dw和db参数更新的向量化，最终得到整个逻辑回归算法的参数更新的向量化表示。

非向量化的逻辑回归梯度下降算法

如图所示，我们已经完成了m个样本从x到z，然后到a的计算，下面我们的任务是将dw和db的计算也通过向量化的形式完成。

dz

要想计算dw和db，我们先来向量化计算dz，为了计算dZ，我们需要这样的一个行向量y（所有样本的标签）：

这样我们就可以通过向量化的方式来计算出dZ:

dz计算出来之后，我们看一下，如何才能向量化的方式计算出dw（dw1，dw2...），db

dw和db的计算（非向量化）