SVM解释为什么可以约束min y（wx+b）=1的问题

在<计算机技巧>课程中，考虑到w,b同时放大或者缩小对原来的优化问题没有任何影响，为了化简这个问题，作者引入$min_{1...n}y_{n}(wx_{n}+b)=1$,这里证明在这个约束下问题其实对原始的优化问题没有影响，即：

加上上面约束后没有影响。
假设$w_{op},b_{op}$是原始问题的最优解，那么转换的优化问题求出的解一定是$w_{op}/A,b_{op}/A$这种形式的。
假设两个点：$y_{1}(wx_{1}+b)=2,y_{2}(wx_{2}+b)=3$
因此：$y_{1}(\frac{w}{2}x_{1}+\frac{b}{2})=1,y_{2}(\frac{w}{2}x_{2}+\frac{b}{2})=1.5$
显然$w_{op}/2,b_{op}/2$首先是新问题的最优解，同时也满足约束条件。
原始问题变成新问题必然严格了很多，但是原始问题最优解为$2/||w_{op}||$，新问题最优解也为$2/||w_{op}||$，因此约束的严格并没有带来优化最值的下降，故而两种优化问题是等价的。
（优化问题的等价性：优化目标最值没有变化）