逻辑回归函数中前向和反向传播代码

以下是使用numpy实现逻辑回归模型的前向传播和反向传播的代码示例：

import numpy as np

def sigmoid(z):
    """
    计算sigmoid函数
    
    参数：
    z - 一个标量或numpy数组
    
    返回：
    sigmoid(z)
    """
    return 1 / (1 + np.exp(-z))

def propagate(w, b, X, Y):
    """
    实现前向传播和反向传播
    
    参数：
    w - 权重矩阵，大小为 (特征数量, 1)
    b - 偏置项，一个标量
    X - 输入数据，大小为 (特征数量, 样本数量)
    Y - 真实标签向量，大小为 (1, 样本数量)
    
    返回：
    cost - 逻辑回归的损失函数值
    dw - 损失函数对w的梯度，大小为 (特征数量, 1)
    db - 损失函数对b的梯度，一个标量
    """
    
    m = X.shape[1]
    
    # 前向传播
    A = sigmoid(np.dot(w.T, X) + b)
    cost = (-1 / m) * np.sum(Y * np.log(A) + (1 - Y) * np.log(1 - A))
    
    # 反向传播
    dw = (1 / m) * np.dot(X, (A - Y).T)
    db = (1 / m) * np.sum(A - Y)
    
    assert(dw.shape == w.shape)
    assert(db.dtype == float)
    cost = np.squeeze(cost)
    assert(cost.shape == ())
    
    grads = {"dw": dw, "db": db}
    
    return grads, cost

在这个示例中，我们使用了sigmoid函数来计算前向传播中的激活值。在反向传播中，我们首先计算依据损失函数对权重矩阵`w`的梯度`dw`，然后计算偏置项`b`的梯度`db`。最后，我们使用`assert`语句来确保`dw`的形状与`w`相同，`db`是一个标量，`cost`是一个标量。最终，我们将`dw`和`db`储存在一个字典`grads`中，并将其与`cost`一起返回。