MATH6015 / 凸函数

MATH6015 / LECTURE 01B

凸函数

凸性判别、保凸运算与共轭函数

Jingwei Liang · MATH6015 最优化方法
Boyd & Vandenberghe · Chapter 3

Boyd & Vandenberghe · Chapter 31 / 48

MATH6015 / CONVEX OPTIMIZATION

01

函数的凸性与判别

MATH6015 · Lecture 01B2 / 48

集合与函数

Lecture 01A 讨论了凸集以及保持集合凸性的运算。本讲把同一结构用于函数: f : D ⊆ R n ⟶ R , D   为凸集 .

函数的凸性同时涉及定义域与函数值: x , y ∈ D ⟹ θ x + ( 1 − θ ) y ∈ D . 随后比较该点的函数值与端点函数值的加权平均。

集合给出函数可以取值的区域;凸性进一步控制函数在任意线段上的变化。

函数的凸性与判别Boyd & Vandenberghe, Sections 2.1 and 3.1.13 / 48

本讲内容

章节 数学问题 主要内容
§3.1 如何判断一个函数是否凸 定义、直线限制、一阶条件、二阶条件、常用函数与 Jensen 不等式
§3.2 如何从已知凸函数构造新函数 加权和、仿射复合、逐点上确界、函数复合、部分最小化与透视
§3.3 如何用斜率描述函数 Fenchel 共轭、典型共轭对、Fenchel–Young 不等式与双共轭

后续 Lecture 01C 将这些结论用于识别和改写凸优化问题;Lecture 04 将共轭函数用于构造对偶问题。

函数的凸性与判别Boyd & Vandenberghe, Chapter 34 / 48

凸函数

设 dom ⁡ f ⊆ R n 为凸集。函数 f 为凸函数 (convex function),若对任意 x , y ∈ dom ⁡ f 及 0 ≤ θ ≤ 1 , f ( θ x + ( 1 − θ ) y ) ≤ θ f ( x ) + ( 1 − θ ) f ( y ) .

若对 x ≠ y 与 0 < θ < 1 不等式严格成立,则 f 为 严格凸(strictly convex)。

函数图像上两点的弦线位于图像上方;严格凸时,除端点外弦线严格高于图像。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.15 / 48

凹性与直线限制

函数 f 为凹函数(concave),若 − f 凸;严格凹同理。 仿射函数 a ⊤ x + b 同时是凸函数和凹函数。 f  凸 ⟺ g ( t ) = f ( x 0 + t d )  在其定义域上凸 , ∀ x 0 , d ≠ 0 .

多元凸性的判断可沿任意直线化为一维问题。若 dom ⁡ f 凸, I = { t ∣ x 0 + t d ∈ dom ⁡ f } 是区间。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.16 / 48

扩展实值函数

若函数 f 只在 D ⊆ R n 上定义,可将它延拓为 f ~ ( x ) = { f ( x ) , x ∈ D , + ∞ , x ∉ D . dom ⁡ f ~ = { x ∣ f ~ ( x ) < + ∞ } = D .

此后可把函数视为定义在整个 R n 上,并用扩展实数运算自动记录定义域: dom ⁡ ( f 1 + f 2 ) = dom ⁡ f 1 ∩ dom ⁡ f 2 . + ∞ 表示该点被排除,并不是数值计算中的“大数”。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.27 / 48

示性函数

集合 C ⊆ R n 的示性函数(indicator function)为 I C ( x ) = { 0 , x ∈ C , + ∞ , x ∉ C . 若 C 是凸集,则 I C 是凸函数。

受约束极小化可改写为无显式约束的扩展值问题: min x ∈ C f ( x ) = min x ∈ R n ( f ( x ) + I C ( x ) ) . 这一等式是后续近端算法和对偶理论的基本记号。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.28 / 48

一阶条件

设 f 在开凸集 D 上可微,则 f  凸 ⟺ f ( y ) ≥ f ( x ) + ∇ f ( x ) ⊤ ( y − x ) , ∀ x , y ∈ D .

右侧是 f 在 x 处的一阶 Taylor 近似。对凸函数,它不只是局部近似, 而是 f 的全局仿射下界。

特别地,若 ∇ f ( x ⋆ ) = 0 ,则 f ( y ) ≥ f ( x ⋆ ) , ∀ y ∈ D , 故 x ⋆ 是全局最小点。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.39 / 48

尖点处的支撑斜率

凸函数 f ( t ) = | t | 在 t = 0 不可微。令 ℓ g ( t ) = g t ,要求它在全域内位于 f 的下方: | t | ≥ g t , ∀ t ∈ R .

当 t > 0 时, t ≥ g t ,故 g ≤ 1 ; 当 t < 0 时, − t ≥ g t ,故 g ≥ − 1 。于是 − 1 ≤ g ≤ 1. 不可微点仍有一族全局支撑斜率。

函数的凸性与判别次梯度拓展;参见 Boyd & Vandenberghe, Section 3.1.310 / 48

次梯度

对凸函数 f 与 x ∈ dom ⁡ f ,向量 g 是 x 处的 次梯度(subgradient),若 f ( y ) ≥ f ( x ) + g ⊤ ( y − x ) , ∀ y ∈ dom ⁡ f . 全部次梯度构成次微分(subdifferential) ∂ f ( x ) 。 ∂ | t | = { { − 1 } , t < 0 , [ − 1 , 1 ] , t = 0 , { 1 } , t > 0. ∂ f ( x ) = { ∇ f ( x ) } 若  f  可微。 对于无约束闭凸极小化, x ⋆ 最优当且仅当 0 ∈ ∂ f ( x ⋆ ) 。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.3; subgradient extension11 / 48

二阶条件

设 f ∈ C 2 ( D ) ,其中 D 为开凸集。沿方向 d 的限制函数 g ( t ) = f ( x + t d ) 满足 g ″ ( t ) = d ⊤ ∇ 2 f ( x + t d ) d . 因此 f  凸 ⟺ ∇ 2 f ( x ) ⪰ 0 , ∀ x ∈ D .

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.412 / 48

实验|一阶和二阶模型能相信多远?

可交互
T 1 ( x ) = e a + e a ( x − a ) T 2 ( x ) = e a + e a ( x − a ) + 1 2 e a ( x − a ) 2

正在准备交互图…

位移缩小时,两个近似的误差按什么数量级下降?

二次函数

设 P = P ⊤ ∈ S n , f ( x ) = 1 2 x ⊤ P x + q ⊤ x + r , ∇ f ( x ) = P x + q , ∇ 2 f ( x ) = P . 故 P ⪰ 0 ⟺ f  凸 , P ≻ 0 ⟺ f  严格凸 .

P ≻ 0 :椭圆水平集

P 不定:双曲线水平集

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.414 / 48

基本标量函数

函数 定义域 凸性
e a x R 凸
x a R + + a ≥ 1 或 a ≤ 0 时凸; 0 ≤ a ≤ 1 时凹
| x | p R p ≥ 1 时凸
log ⁡ x R + + 凹
x log ⁡ x R + ( 0 log ⁡ 0 = 0 ) 凸

( x log ⁡ x ) ″ = 1 x > 0 ( x > 0 ) . 函数名称不能替代定义域;同一代数表达式在不同定义域上可以具有不同的凸性结论。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.515 / 48

范数与最大值

每个范数都是凸函数。对 0 ≤ θ ≤ 1 , ‖ θ x + ( 1 − θ ) y ‖ ≤ θ ‖ x ‖ + ( 1 − θ ) ‖ y ‖ . 分量最大值也是凸函数: max i { θ x i + ( 1 − θ ) y i } ≤ θ max i x i + ( 1 − θ ) max i y i .

‖ x ‖ 1 , ‖ x ‖ 2 , ‖ x ‖ ∞ 分别产生菱形、圆形和正方形单位球。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.516 / 48

平方除以线性项

f ( x , y ) = x 2 y , dom ⁡ f = R × R + + , 是凸函数。其 Hessian 为 ∇ 2 f ( x , y ) = 2 y 3 ( y − x ) ( y − x ) ⊤ ⪰ 0 .

此函数也可写为 x 2 / y = y ( x / y ) 2 ,是平方函数的透视 (perspective)。它是二阶锥约束、加权最小二乘和后续鲁棒优化中的基本构件。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.517 / 48

log-sum-exp

f ( x ) = log ⁡ ( ∑ i = 1 n e x i ) 在 R n 上凸,并满足 max i x i ≤ f ( x ) ≤ max i x i + log ⁡ n . 因此它是 max i x i 的可微近似。

令 p i = e x i ∑ j e x j , p ⪰ 0 , 1 ⊤ p = 1 . 则 ∇ f ( x ) = p , ∇ 2 f ( x ) = diag ⁡ ( p ) − p p ⊤ ⪰ 0.

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.518 / 48

若干重要函数

几何平均 G ( x ) = ( ∏ i = 1 n x i ) 1 / n , x ∈ R + n 为凹函数。它刻画乘性效益与配比均衡。

对数行列式 f ( X ) = log ⁡ det X , X ∈ S + + n 为凹函数。它与体积、信息矩阵和协方差设计有关。

负熵 h ( x ) = ∑ i x i log ⁡ x i , x ⪰ 0 , 0 log ⁡ 0 = 0 . 为凸函数。其相反数在概率单纯形上为熵。

凸目标的极小化 与 凹目标的极大化 具有相同的凸优化结构。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.519 / 48

下水平集

函数 f 的 α -下水平集为 C α = { x ∈ dom ⁡ f ∣ f ( x ) ≤ α } . 若 f 凸,则每个 C α 都是凸集;若 f 凹,则其上水平集 { x ∣ f ( x ) ≥ α } 是凸集。

该性质常用于证明约束集凸性,例如 { x ∣ ‖ A x − b ‖ 2 ≤ r } 是凸集,因为它是凸函数的下水平集。

逆命题不成立: − e x 的全部下水平集均为区间,但 − e x 不是凸函数。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.620 / 48

上图集与下水平集

上图集: epi ⁡ f = { ( x , t ) ∣ f ( x ) ≤ t } . f  凸 ⟺ epi ⁡ f  为凸集 . 下水平集: C α = { x ∣ f ( x ) ≤ α } . 凸函数的下水平集凸;凹函数的上水平集凸。

函数的凸性与判别Boyd & Vandenberghe, Sections 3.1.6–3.1.721 / 48

实验|凸函数的上图为什么是凸集?

可交互
epi ⁡ f = { ( x , t ) : t ≥ f ( x ) } f τ ( x ) = τ log ⁡ ( e x / τ + e − x / τ )

正在准备交互图…

温度趋于零时,平滑函数与 |x| 的距离怎样变化?

Jensen 不等式

若 f 凸, θ i ≥ 0 ,且 ∑ i = 1 k θ i = 1 ,则 f ( ∑ i = 1 k θ i x i ) ≤ ∑ i = 1 k θ i f ( x i ) . 若 X 是取值在 dom ⁡ f 中的随机变量,则 f ( E X ) ≤ E f ( X ) .

对零均值随机扰动 Z , E f ( x + Z ) ≥ f ( x ) . 因此,随机化不会在平均意义下降低凸代价。对凹函数,所有不等号反向。

函数的凸性与判别Boyd & Vandenberghe, Section 3.1.823 / 48

实验|函数图像在弦的哪一侧?

可交互
f ( ( 1 − t ) a + t b ) ≤ ( 1 − t ) f ( a ) + t f ( b )

正在准备交互图…

换成 log(x) 或双阱函数后,弦与图像的关系怎样改变?

MATH6015 / CONVEX OPTIMIZATION

02

保凸运算

MATH6015 · Lecture 01B25 / 48

保凸运算

从已知凸函数构造新凸函数的主要运算包括:

运算 保凸条件
非负加权和 f i 凸, w i ≥ 0
仿射复合 f 凸, g ( x ) = f ( A x + b )
逐点上确界 f ( x ) = sup α f α ( x )
函数复合 外函数的单调性与内函数的凸/凹性匹配
部分最小化 f ( x , y ) 联合凸, y 的可行集凸
透视 g ( x , t ) = t f ( x / t ) ,   t > 0

这些规则把有限个基本函数组合为工程模型的目标与约束。

保凸运算Boyd & Vandenberghe, Section 3.226 / 48

非负加权和

若 f i 均为凸函数,且 w i ≥ 0 ,则 f ( x ) = ∑ i = 1 m w i f i ( x ) 为凸函数。若至少一个正权重对应严格凸函数,则相应条件下可得到严格凸性。

加权最小二乘 ∑ i = 1 m w i ( a i ⊤ x − b i ) 2 , w i ≥ 0 , 由平方仿射函数的非负加权和构成,因此凸。

保凸运算Boyd & Vandenberghe, Section 3.2.127 / 48

仿射复合

若 f : R m → R 凸, A ∈ R m × n ,则 g ( x ) = f ( A x + b ) , dom ⁡ g = { x ∣ A x + b ∈ dom ⁡ f } , 也是凸函数。

传感器标定可写为 min x 1 2 ‖ A x − b ‖ 2 2 , A ∈ R m × n ,   x ∈ R n ,   b ∈ R m . 其梯度为 ∇ f ( x ) = A ⊤ ( A x − b ) .

保凸运算Boyd & Vandenberghe, Section 3.2.228 / 48

逐点最大值

若 f 1 , … , f k 均为凸函数,则 f ( x ) = max i = 1 , … , k f i ( x ) 也是凸函数。更一般地,任意凸函数族的逐点上确界仍凸。

| x | = max { x , − x } , f ( x ) = max i ( a i ⊤ x + b i ) . 后一形式给出分段仿射凸函数。上确界规则还产生支持函数 S C ( y ) = sup x ∈ C y ⊤ x .

保凸运算Boyd & Vandenberghe, Section 3.2.329 / 48

标量复合

令 f = h ∘ g 。下列四条规则在一般定义域下仍成立,其中单调性指 扩展值函数的单调性: h  凸、非减 ,   g  凸 ⇒ h ∘ g  凸 , h  凸、非增 ,   g  凹 ⇒ h ∘ g  凸 , h  凹、非减 ,   g  凹 ⇒ h ∘ g  凹 , h  凹、非增 ,   g  凸 ⇒ h ∘ g  凹 .

保凸运算Boyd & Vandenberghe, Section 3.2.430 / 48

复合规则的例子

ϕ ( x ) = − ∑ i = 1 m log ⁡ ( b i − a i ⊤ x ) 其定义域为 { x ∣ a i ⊤ x < b i ,   i = 1 , … , m } 且在该定义域上为凸函数。它是线性不等式的 barrier function;接近边界时函数值发散。

保凸运算Boyd & Vandenberghe, Sections 3.2.4–3.2.531 / 48

向量复合

设 f ( x ) = h ( g 1 ( x ) , … , g k ( x ) ) 。若 h 为凸函数且在每个分量上非减, 并且所有 g i 为凸函数,则 f 为凸函数。

两个常用的外层函数

例如 h ( z ) = log ⁡ ∑ i e z i 为凸函数且逐分量非减,故 log ⁡ ( ∑ i = 1 k e g i ( x ) ) 在每个 g i 为凸函数时仍为凸函数。

若 p ≥ 1 ,每个 g i ≥ 0 且为凸函数,则 ( ∑ i = 1 k g i ( x ) p ) 1 / p 也为凸函数。它是由逐分量非减的 p -范数与凸分量复合得到的。

保凸运算Boyd & Vandenberghe, Section 3.2.432 / 48

部分最小化

若 f ( x , y ) 关于 ( x , y ) 联合凸, C 凸且非空,且 g ( x ) > − ∞ 对所有 x 成立,则 g ( x ) = inf y ∈ C f ( x , y ) 为凸函数,且 dom ⁡ g = { x ∣ ∃ y ∈ C ,   ( x , y ) ∈ dom ⁡ f } .

取非空闭凸集 C ,则到该集合的欧氏距离 dist ⁡ ( x , C ) = min y ∈ C ‖ x − y ‖ 2 是凸函数: ‖ x − y ‖ 2 对 ( x , y ) 联合凸;闭性保证投影点 Π C ( x ) 存在。

保凸运算Boyd & Vandenberghe, Section 3.2.533 / 48

透视函数

函数 f : R n → R 的透视(perspective)定义为 g ( x , t ) = t f ( x / t ) , dom ⁡ g = { ( x , t ) ∣ t > 0 ,   x / t ∈ dom ⁡ f } . 若 f 凸,则 g 凸。

对 f ( x ) = ‖ x ‖ 2 2 , g ( x , t ) = ‖ x ‖ 2 2 t , t > 0 , 即前述 quadratic-over-linear 函数。

对 f ( x ) = − log ⁡ x ,透视给出 − t log ⁡ ( x / t ) = t log ⁡ ( t / x ) , 即相对熵的基本形式。

保凸运算Boyd & Vandenberghe, Section 3.2.634 / 48

实验|为什么 x²/t 在 t>0 上仍然凸?

可交互
g ( x , t ) = t ( x t ) 2 = x 2 t , t > 0 { g ≤ c } = { ( x , t ) : x 2 ≤ c t ,   t > 0 }

正在准备交互图…

固定 t 的截面与固定 x 的截面分别是什么曲线?

MATH6015 / CONVEX OPTIMIZATION

03

共轭函数

MATH6015 · Lecture 01B36 / 48

共轭函数

扩展实值函数 f : R n → ( − ∞ , + ∞ ] 的 Fenchel 共轭为 f ∗ ( y ) = sup x ∈ R n ( y ⊤ x − f ( x ) ) .

对固定 y ,它考察斜率为 y 的线性函数与 f 的最大差距。 dom ⁡ f ∗ 是上述上确界有限的 y 所组成的集合。

共轭将函数的“自变量”解释为一个斜率或价格向量。

共轭函数Boyd & Vandenberghe, Section 3.3.137 / 48

共轭为何凸

对每个固定的 x ,函数 y ⟼ y ⊤ x − f ( x ) 是 y 的仿射函数。故 f ∗ ( y ) = sup x { y ⊤ x − f ( x ) } 是仿射函数族的逐点上确界,必为凸函数。

这一定义不要求 f 本身凸。若 f 已用扩展实值形式书写,则 x ∉ dom ⁡ f 时被减去的 + ∞ 自动排除该点。

共轭函数Boyd & Vandenberghe, Section 3.3.138 / 48

二次函数的共轭

令 f ( x ) = 1 2 x ⊤ Q x , Q ≻ 0. 对给定 y ,最大化 y ⊤ x − 1 2 x ⊤ Q x . 一阶条件给出 y − Q x = 0 , x ⋆ = Q − 1 y . 代回得到 f ∗ ( y ) = 1 2 y ⊤ Q − 1 y .

共轭函数Boyd & Vandenberghe, Section 3.3.139 / 48

指数与负熵

对 f ( x ) = e x ,令 y x − e x 对 x 的导数为零: y − e x = 0. 当 y > 0 时最大点为 x = log ⁡ y ,并且 f ∗ ( y ) = y log ⁡ y − y . 结合边界情形, ( e x ) ∗ ( y ) = { y log ⁡ y − y , y ≥ 0 , + ∞ , y < 0 , 其中 0 log ⁡ 0 = 0 。指数函数的共轭是带线性平移的负熵; 这一对偶关系解释了 softmax、最大熵建模和 log-sum-exp 的紧密联系。

共轭函数Boyd & Vandenberghe, Section 3.3.140 / 48

示性函数与支持函数

对任意非空集合 S ⊆ R n ,其示性函数满足 I S ∗ ( y ) = sup x ∈ S y ⊤ x = S S ( y ) , 右侧称为 S 的支持函数(support function)。

因此,共轭将“集合约束”转化为“沿方向 y 的最大线性收益”。 这连接了前面的半空间、支持超平面与后续鲁棒约束。

共轭函数Boyd & Vandenberghe, Section 3.3.141 / 48

范数的共轭

令 ‖ ⋅ ‖ ∗ 为 ‖ ⋅ ‖ 的对偶范数: ‖ y ‖ ∗ = sup ‖ x ‖ ≤ 1 y ⊤ x . 则 ( ‖ x ‖ ) ∗ ( y ) = { 0 , ‖ y ‖ ∗ ≤ 1 , + ∞ , ‖ y ‖ ∗ > 1.

原因是 Hölder 不等式给出 y ⊤ x − ‖ x ‖ ≤ ( ‖ y ‖ ∗ − 1 ) ‖ x ‖ . 若 ‖ y ‖ ∗ ≤ 1 ,最大值在 x = 0 取得。

对二范数, ( 1 2 ‖ x ‖ 2 2 ) ∗ = 1 2 ‖ y ‖ 2 2 . 范数正则化与对偶球约束因而是一对共轭结构。

共轭函数Boyd & Vandenberghe, Section 3.3.142 / 48

Fenchel–Young 不等式

由共轭定义可直接得到,对任意 x , y , f ∗ ( y ) ≥ y ⊤ x − f ( x ) , 即 f ( x ) + f ∗ ( y ) ≥ x ⊤ y .

对于 f ( x ) = 1 2 x ⊤ Q x , Q ≻ 0 , x ⊤ y ≤ 1 2 x ⊤ Q x + 1 2 y ⊤ Q − 1 y . 它是加权 Cauchy–Schwarz 不等式的一种形式。

共轭函数Boyd & Vandenberghe, Section 3.3.243 / 48

实验|把斜率当作变量,构造共轭函数

可交互
f ∗ ( y ) = sup x { y x − f ( x ) } f ( x ) + f ∗ ( y ) − x y ≥ 0

正在准备交互图…

为什么最优接触点满足 f′(x)=y?指数函数的共轭定义域是什么?

双共轭与梯度

若 f 是适当、闭、凸函数,则 f ∗ ∗ = f . 闭性在这里指 epi ⁡ f 是闭集。双共轭说明:一个闭凸函数可由其全部仿射下界精确恢复。

若 f 可微且 dom ⁡ f = R n ,并且上确界在 x ⋆ 处达到,则 y = ∇ f ( x ⋆ ) , f ∗ ( y ) = x ⋆ ⊤ ∇ f ( x ⋆ ) − f ( x ⋆ ) .

共轭函数Boyd & Vandenberghe, Section 3.3.245 / 48

共轭的运算规则

设 a > 0 。若 g ( x ) = a f ( x ) + b ,则 g ∗ ( y ) = a f ∗ ( y / a ) − b . 若 A 非奇异, g ( x ) = f ( A x + b ) ,则 g ∗ ( y ) = f ∗ ( A − ⊤ y ) − b ⊤ A − ⊤ y . 若 f ( u , v ) = f 1 ( u ) + f 2 ( v ) ,则 f ∗ ( w , z ) = f 1 ∗ ( w ) + f 2 ∗ ( z ) .

共轭函数Boyd & Vandenberghe, Section 3.3.246 / 48

本讲总结

结构 判别或构造 后续用途
凸函数 弦线条件;一阶全局下界;Hessian 半正定 目标函数与不等式约束的凸性
保凸运算 非负加权和、仿射复合、逐点上确界、复合、部分最小化与透视 从基本函数建立可验证的模型
Fenchel 共轭 f ∗ ( y ) = sup x { y ⊤ x − f ( x ) } 仿射下界、对偶变量与对偶问题

定义域与函数值 ⟹ 凸性判别与构造 ⟹ 凸优化和对偶理论

共轭函数Boyd & Vandenberghe, Chapter 347 / 48

本讲回顾

带走的结构

  1. 凸函数可由弦线条件、epigraph、一阶全局下界或二阶半正定性判别。

  2. 非负加权和、仿射复合、逐点上确界、复合、部分最小化与透视提供系统的保凸规则。

  3. Fenchel 共轭 f ∗ ( y ) = sup x { y ⊤ x − f ( x ) } 汇集了 f 的全部仿射下界。

  4. Fenchel–Young 不等式与适当、闭、凸函数满足的 f ∗ ∗ = f 把原函数、共轭和梯度关系连接起来。

自测

  1. 给定一个复合表达式,能否逐步指出每一次使用的保凸规则及其单调性条件?

  2. 能否直接从定义计算一个简单二次函数的共轭,并验证 Fenchel--Young 等号何时成立?

本讲目录

39 个源讲义内容单元 · 5 个互动页面 · 完整离线可用

返回课程讲义目录

实验详情

图形详情

适合窗口拖动查看局部 · Esc 返回讲义