凸优化第二章part one（小白学凸优化convex optimization）

凸优化第二章part one

正文开始辽，全英真是看不下了呜呜，速度慢吃不消🐾
这一章介绍了一些数学定义，对理解问题找本质有帮助，感觉对自己原来的数学概念进行一次推广统一

1. 仿射集
   
   这个还是比较好理解的

仿射的维数：

2. 子空间
   子空间理解起来抽象了一些，这一段定义反复看了好几遍，其实理解子空间的重点在理解偏移x0，理解好了子空间的概念也就很自然记住了
   
3. 凸集

个人认为凸集这种可以由几何形状联想记忆的定义也很好理解，书中说道仿射集都是凸集毋庸置疑，对比两者的定义，可以看到θ的取值范围不同，当θ范围为R时仿射集的定义成立，那么θ为0到1时仿射集的定义显然也成立。

4. 凸包
   
   关于凸包的求法已经有很完备的理论了，最近算法课有学到，就不展开描述了。
5. 锥
   
   锥的定义可以和高中向量学习的向量基对比起来学习，我觉得二者有明显的不同和相同之处。

测验一下概念是否理清楚了吧！！🍕

6. 重要例子之超平面和半平面
   
   
   

   看到这里我脑海里开始浮现svm分类器的原理推导了，超平面和半平面的概念还是很好理解的，可以看成是存在高维空间里的不可以直接画图体现出来的一个平面，但在自己脑海里想象一下还是能体会这个意思的。

原书里还列举了Euclid球和椭球，范数球和范数锥和多面体的定义，基本上是在原有五个基础定义上的具体化。其中多面体中的单纯形值得一提，在后续章节会用到：

基础定义的了解先告一段落，接下来要探索简单的定理推导了，这些定理也是最基本的，可以说是后续算法的敲门砖了。