这篇文章的目的是揭示优化和网络设计之间的关系，提出了个猜想更快的优化方法可以inspire更好的网络结构。以此我们可以用优化的结构去启发地生成更多的神经网络的结构。

第一部分：优化与神经网络的关系：

优化是不断地迭代，目标是从一个初始点出发，达到让一个函数F 取最小值的最优点。

特征：迭代前后的维度相同，每层用的参数一般是固定的（或者有小的改变）

神经网络是过一层层的网络

特征：迭代前后的维度可以不同，每层用的参数是变化的，可以学习的

如果我们考虑表示学习的框架（最后输出一个特征f，而不是一个scalar），并且强制要求神经网络的每层的输出输入维度不变，那么可能会让神经网络和优化有点关系。

本文比较重要的是这个lemma：

也就是说当W是固定而且对称正定的时候，我们对神经网络过一层层的就相当于做某个梯度下降。目标是找到最优的x，让函数达到最优，采用的方法是对变量做梯度下降，最后其实相当于关于x的迭代步骤是：

,他是和神经网络结构一样的。

f 的设计是这样的：

第二部分：不同优化方法inspire不同的网络结构

通过对做函数的优化，如果采用不同的优化方法，就会有不同的网络结构

GD：那么

HB：那么

Nesterov ：那么其中

还有ADMM也可以对应一个结构

和神经网络对应的关系：

如果说HB和Nesterov方法达到optimal point比直接GD更快，那么他们inspird 的网络结构需要的层数也就相应更少。

第三部分：如何启发网络设计

首先上面的神经网络每一层的系数是一样的，这是肯定不对的。

但是如果把系数变成可以学习的，那肯定会更好。

文章里的实验设计就表明了更快的优化方法inspired的网络会更加好一些。但是我觉得没有好太多..

而且这里启发出来的神经网络，结构上会使得前后两层的维度一样。这在具体的神经网络里，我们可以把设计出来的网络当成一小块，然后过pooling等等。多块拼起来才是最终的网络。