你有沒有想過，為什麼有些最佳化問題比較好解？
你可以把凸優化想成「地形很單純的找最低點」：你往下走時，不太容易被假的小山谷騙住，找到的解通常就是全局最佳。
它很重要，因為很多機器學習和工程問題都要靠最佳化來找答案，凸優化因為穩定、可解，成了很多方法的基礎。
容易混淆
凸優化 vs 非凸優化 vs 一般最小化
凸優化：地形單純，局部最小值就是全局最小值
非凸優化：地形複雜，可能有很多假谷底
一般最小化：只是一個總稱，不一定保證好解
最關鍵的區別：凸優化能保證找到的局部解就是全局解。
記住這句就好
地形是凸的，找到小谷底就放心。
實際案例
廣告預算分配
前：想把預算切到最好，但搜尋空間太亂
後：把問題寫成凸優化，較容易穩定找到最佳配置
模型訓練中的正則化
前：損失函數不好調，參數更新常卡住
後：加入凸形式的目標和約束，讓求解更穩定
算法與應用
凸優化常搭配梯度下降、目標函數、正則化與損失函數一起看
很多線性模型、支援向量機和資源配置問題，都會受惠於凸結構
它的價值在於可解性和可分析性，讓工程上比較知道會收斂到哪裡
情境判斷
Q1（直覺題）： 如果一個問題是凸的，是不是通常比較好解？
→ 是，通常更容易穩定找到全局最優。
Q2（判斷題）： 只要用了梯度下降，就代表你在做凸優化嗎？
→ 不一定。梯度下降可以用在凸問題，也可以用在非凸問題。
常見問題
凸優化一定有解析解嗎？
不一定，但通常比較容易數值求解。
機器學習都屬於凸優化嗎？
不是，很多深度學習問題其實是非凸的。
為什麼凸優化這麼常見？
因為它穩定、可證明、可預測，工程上很實用。