8.2 最优化 Nesterov加速算法 理论介绍 Lipschitz 连续 Lipschitz 连续： 在一个连续函数$f$上面额外施加了一个限制，要求存在一个常数$K \geq 0$使得定义域内的任意两个元素$x_1$ 和 $x_2$ 都满足 $|f(x_1) - f(x_2)| \leq K |x_1 - x_2|$ 此时称函数 $f$的Lipschitz常数为 K。 简单理解，就是 $f’(x) \leq K, \forall x \in R$ ，$R$为$f$的定义域 梯度下降法： 考虑以下线性转化问题： $b = Ax + w$ 例如在图像模糊问题中， A为模糊模板（由未模糊图像通过转换而来）， b为模糊图像， w为噪声。 并且， A 和 b已知， x为待求的系数。 求解该问题的传统方法为最小二乘法，思想很简单，使得重构误差$|| Ax - b||^2$最小，即： $\hat{x} = arg\min_x ||Ax- b||^2$ 对 $f(x) = ||Ax - b||^2$求导，可得其导数为：$f’(x) = 2A^T(Ax-b)$。 对于该问题，令导数为零即可以取得最小值（函数$f(x)$为凸函数，其极小值为最小值）。