cere学习二（Solver::Options类与Problem::problem类的简单介绍）

Solver::Options类

1. Solver::Options类

方法	默认值	功能
bool Solver::Options::IsValid(string *error) const	检查options是否合法，不合法的话返回false，并将错误信息存到error里面
int Solver::Options::max_num_iterations	默认值：50;	最大迭代次数
double Solver::Options::max_solver_time_in_seconds	默认值：1e6;	最长运行时间，单位为秒
int Solver::Options::num_threads	默认值：1;	Ceres用于评估Jacobian的线程数，越多优化速度越快。
DenseLinearAlgebraLibrary Solver::Options::dense_linear_algebra_library_type	默认值：EIGEN;	Ceres支持使用多个密集线性代数库进行稠密矩阵分解。 目前可选的为EIGEN和LAPACK。 EIGEN始终可用；LAPACK指的是BLAS + LAPACK库，可能有也可能没有（得看编译Ceres库时有没有加入BLAS + LAPACK的支持）。此设置会影响DENSE_QR，DENSE_NORMAL_CHOLESKY和DENSE_SCHUR求解器。 对于小到中等大小的求解器（这里的大小应该是指运算量，也就是问题规模的大小），EIGEN是一个很好的选择，但对于大问题，LAPACK + BLAS实现可以在性能上优势很大
SparseLinearAlgebraLibrary Solver::Options::sparse_linear_algebra_library_type	默认值：SUITE_SPARSE > CX_SPARSE > EIGEN_SPARSE > NO_SPARSE;Ceres支持使用三个稀疏线性代数库SuiteSparse、CXSparse、EIGEN_SPARSE ，NO_SPARSE意味着不应使用稀疏线性求解器。	SuiteSparse是一个非常复杂的稀疏线性代数库,性能最好，推荐使用。如果SuiteSparse不可用（编译Ceres的时候没有加入SuiteSparse支持），请考虑使用=CXSparse，这是一个更小，更容易编译的库。但是，它在大问题上的性能与SuiteSparse的性能相差巨大。也可以使用Eigen中稀疏线性代数库。目前，这个库的表现是三个中最差的。说不定在不久的将来性能会有改善。
LoggingType Solver::Options::logging_type	默认值：PER_MINIMIZER_ITERATION	每次迭代都打印信息，另一个可选的为SILENT
bool Solver::Options::minimizer_progress_to_stdout	默认值：false	默认情况下，Minimizer（优化器）进度会记录到stderr，具体取决于vlog级别。 如果此标志设置为true，并且Solver::Option:: logging_type不是SILENT，则日志记录输出将发送到stdout（在终端打印出信息）
bool Solver::Options::check_gradients	默认值：false	检查由具有有限差分的每个残差块计算的所有雅可比行列式，比较结果，如果它们大不相同，则优化失败。如果设置为true的花比较耗费性能，一般保持默认。
double Solver::Options::gradient_check_relative_precision	默认值: 1e8	在gradient checker中检查的精度。 如果雅可比行列式中的元素之间的相对差异超过此数字，则dump该cost term的雅可比行列式
vector Solver::Options::callbacks		默认情况下，参数仅在优化结束时更新在Minimizer的每次迭代结束时执行的回调。 它们按照在此vector中指定的顺序执行，如果希望在执行回调时访问更新的参数，则将Solver::Options::update_state_every_iteration需要设置为true。
bool Solver::Options::update_state_every_iteration	默认值：false	如果为true，则在每个迭代结束时更新参数，否则在优化终止时才更新参数

2. 输出的信息

 1. cost 是目标函数的值。
 2. cost_change 是目标函数值的变化。
 3. |gradient| 是梯度的最大范数。
 4. |step| 是参数向量的变化。
 5. tr_ratio是目标函数值的实际变化与信赖域模型值的变化之比。
 6. tr_radius是信任区域半径的大小。
 7. ls_iter是用于计算信任区域步骤的线性求解器迭代次数。
 8. iter_time：本次迭代所用时间
 9. total_time是所用的总时间。

Problem::problem类

1. 几个重要成员方法：
   Problem::AddResidualBlock( )
   作用添加残差

ResidualBlockId Problem::AddResidualBlock(CostFunction *cost_function, 
										  LossFunction *loss_function, 
										  const vector<double *> parameter_blocks)
  //cost_function：代价函数
  //LossFunction：损失函数,可以使用损失函数，是你和数据更接近真实值
  //x:待优化参数

Problem::AddParameterBlock( )
作用：添加参数块
用户在调用AddResidualBlock( )时其实已经隐式地向Problem传递了参数模块，但在一些情况下，需要用户显示地向Problem传入参数模块

void Problem::AddParameterBlock(double *values, int size)
//values：值
//size：大小
void Problem::AddParameterBlock(double *values, int size, LocalParameterization *local_parameterization)
//LocalParameterization参数，用于重构优化参数的维数

LocalParameterization（）
解决非线性优化中的过参数化问题。所谓过参数化，即待优化参数的实际自由度小于参数本身的自由度。例如在SLAM中，当采用四元数表示位姿时，由于四元数本身的约束（模长为1），实际的自由度为3而非4。此时，若直接传递四元数进行优化，冗余的维数会带来计算资源的浪费，需要使用Ceres预先定义的QuaternionParameterization对优化参数进行重构：

problem.AddParameterBlock(quaternion, 4);// 直接传递4维参数
ceres::LocalParameterization* local_param = new ceres::QuaternionParameterization();
problem.AddParameterBlock(quaternion, 4, local_param)//重构参数，优化时实际使用的是3维的等效旋转矢量

自定义LocalParameterization