葛瑤兒看了這句話很是受不了，因為……她羨慕啊！臥槽！
真是人比人氣死人！
葛：那個資料是你當年的學習資料嘛？
溫：不是，我當年學的比這個難。
姑娘心一涼！
葛：那完了呀，我連真題看著都費勁！
溫：所以你先要過這關(guān)，周日在qq上把這一周的問題告訴我，我給你解答。你應(yīng)該也有一點真題，比照著看，真假你放心，不滿意的話也可以隨時退貨。
說實話是真是假她真的不清楚，
可有一點是對的，買來不想要就退貨，
傳說有電子產(chǎn)品愛好者，每個品牌的旗艦機他都買，拿到手拍個手機盒子發(fā)個朋友圈，然后再退回去。
令人窒息的操作。
葛：3有點貴啊……
溫：所有真題都是我手寫的，這價錢還附帶后面的答疑的。
葛瑤兒也不是白癡，說是這么說，到時候你不回我qq，我有啥辦法？還能真的順著網(wǎng)線過去砍你嘛？
但從圖片看真假也還算靠譜，
總之先買，不行就退。
葛：行，那我下單了。
溫：謝謝。
這花不了幾分鐘。
溫：下了單，你就可以問我問題了，今天就是周日。
葛瑤兒眼睛一亮，哎？
這倒是哦。
這么一想，她來了心思，題目不會的話，立馬就退款！
然而沒兩把刷子，怎么敢這么說話。
葛：好，那我怎樣稱呼你啊？
溫曉光一時想不到什么二次元網(wǎng)名，說真名又覺得不太合適，可要不說他這個腦子聰明呢，他很快想到了一個、
在保護自己的同時，透露一點真實，且還讓對方更加相信自己的‘業(yè)務(wù)能力’的名字！
溫：嗯，你就叫我溫博士吧。
實驗室里的葛瑤兒果然眼睛放光：嚯，還是博士啊！
溫：你把問題整理一下，1、2、3的條理清楚，我統(tǒng)一給你作答。現(xiàn)在我先給你去發(fā)貨，你也能早點拿到。可以嗎？
葛瑤兒咬著嘴唇想了想，發(fā)什么貨啊還沒怎樣就發(fā)貨了，先測試你一下瞧瞧是真是假，
葛：等下，我現(xiàn)在正在看，碰到一個問題。
溫曉光一看，回道：那你說吧。
葛：就是最優(yōu)化的部分，江理對數(shù)學部分作了一點要求，這和別的學校都不一樣，其實我們本科的時候都沒有開過這門課，所以看起來很費勁。
溫：嗯，不必害怕，有要求一是未來不論是機器學習，數(shù)據(jù)挖掘還是深度學習的神經(jīng)網(wǎng)絡(luò)，即使你運用一些簡單模型，最優(yōu)化的理論與算法都有比較廣泛的應(yīng)用，另外一個是出題的那個老師擅長數(shù)學也重視數(shù)學，所以才有這么個要求，不過它對這方面的要求也只限于了解，題目都很簡單。
葛瑤兒看這一段話人都犯傻，等會兒……
神經(jīng)網(wǎng)絡(luò)？
數(shù)據(jù)挖掘？
請打中文，謝謝。
葛：可是我連書都看不懂啊，我至今不知道最優(yōu)化是什么。
對于花錢的人，溫曉光耐心足夠：這么說吧。大學應(yīng)該開設(shè)有數(shù)學模型這門課，模型就像人學習思考模式，在每次學習過程中，人知道自己怎么學，學哪里，學錯了還可以調(diào)整，但模型和計算機沒這么聰明，
而最優(yōu)化就是告訴模型應(yīng)該學什么、怎么學的工具。在數(shù)學上，模型學習往往是一個映射函數(shù)，也就是模型中的參數(shù)，這個參數(shù)的好壞通過答案體現(xiàn)，如果不夠好，最優(yōu)化就可以幫助調(diào)整，
這么說明白了嗎？
葛瑤兒勉勉強強能看懂一些，畢竟說的那么簡單，再看不懂就是智障了。
她又問：那有的地方提到的凸優(yōu)化又是啥啊？
溫：凸優(yōu)化是最優(yōu)化的一個子領(lǐng)域，簡單來說就是定義在凸集中的凸函數(shù)的最小化問題，凸優(yōu)化的應(yīng)用價值比較高，所以研究的很多。而凸問題的局部最優(yōu)解就是全局最優(yōu)解，再加上凸優(yōu)化理論中的Lagrange對偶，提供了凸優(yōu)化算法最優(yōu)性的保證。
另外一些非凸問題通過一定手段可以等價化為凸問題或者用凸問題近似、逼近得到邊界，比如深度學習，其中關(guān)鍵的Back Propagation算法，本質(zhì)就是凸優(yōu)化算法中的梯度下降法，即使問題極度非凸，梯度下降還是有很好的表現(xiàn)。
明白了嗎？
葛：凸━┳━━┳━凸，原來你真的是博士。
溫曉光：當然，你還懷疑這一點？
臉不紅心不跳。
聊天到此結(jié)束，溫曉光去打印，然后發(fā)貨。
葛瑤兒在晃動實驗室鄰座的林貝：“貝貝，太好了，我找一個特別牛逼的人！”
林貝不明所以的瞎樂：“什么啊？什么牛逼的人？！”
葛瑤兒也沒說什么，就是拉她過來把電腦上的聊天記錄拉出來，“你看。”
林貝：“臥槽！”