模型驱动的深度学习（ADMM-net）

流程：模型族->算法族->深度网络->深度学习

模型族：模型中含有超参数，给予不同的参数对应不同的模型，就形成了模型族

算法族：每一个模型对应一个完整算法，整个模型族对应了一个算法族 将算法族展开成一个深度网络，网络层数代表迭代次数，模型的超参数成为网络中的参数（如权重等）。利用少量标记数据就可以训练网络。

相对于模型驱动算法的优势：

　　 1、可以学习模型超参数，提高了模型的适应能力，提高精度

相对于数据驱动的优势：

　　 1、网络的设计有模型指导

　　 2、减少了数据需求量

　　 3、减小了训练时间

比如核磁共振重建的ADMM算法：

模型：

\(x^*={arg\max}_{x}{\{\frac{1}{2}||Ax-y||^2+\sum_{l=1}^{L}\lambda_{l}g(D_{l}x)\}}\)

ADMM算法求解：

\(g,\lambda,L,D_{l}\)的不同选择形成了不同的模型，构成了模型族。

广义拉格朗日函数：