（1）要求Tensorflow将这三层串成神经网络
（2）要求Tensorflow编译模型，Tensorflow的编译模式的关键步骤是指定你要使用的最后一个函数是什么 在这里使用的是Binary cross entropy
（3）调用fit（）函数告诉Tensorflow通过使用步骤2中的损失函数，及数据集X Y ，去拟合步骤一中的模型， Epoch是一个技术术语，表示可能想要运行多少步来创建梯度下降
模型训练步骤
1.建立逻辑回归模型的第一步是指定如何在给定输入特征x和参数w和b的情况下计算输出
2.编译模型，并指定损失和成本
3.最小化我们训练逻辑回归的成本函数
Loss function(损失函数) ： 在单个示例上进行计算
Cost function(成本函数J)： 在整个数据集上进行计算
Binary cross entropy : 二元交叉熵损失函数 ，一旦你指定这个损失并取平均值对于整个数据集就会得到整个neural network的Cost Function.
语法中写的是让Tensorflow使用这个损失函数来编译神经网络
在指定了单个训练示例的损失之后，Tensorflow知道你想要最小化的成本是所有训练示例损失的平均值，优化这个成本函数将导致神经网络适合二元分类问题的数据，如果您想解决的是回归问题而不是分类问题，你可以告诉Tensorflow使用不同的loss function编译你的模型。
例如，如果你有一个回归问题你就可以指定使用loss function :MeanSquareedError(平方误差损失函数)。
Cost Function 是神经网络中所有参数的函数，这里的大写W B就是神经网络中每一层的参数一起构成的参数矩阵，所以如果打算优化Cost function 那么就会对W B中的所有参数进行优化处理
Tensorflow是使用一种称为反向传播的的算法计算这些偏导数项，tensorflow可以帮我实现这些事，在fit函数中实现了反向传播，
所以需要做的就是调用model.fit 指定数据集X Y 并告诉他这样进行100次迭代或100个epoch
