在学习SVM(Support Vector Machine) 支持向量机时，对于线性可分的分类样本求出的分类函数为：
其中，分类超平面可以表示为：
式中N代表特征空间的维数。
带约束凸优化问题的一般形式为：
其中，f(w)为需要求解的目标函数，g(x) 和 h(x) 为约束条件，这里满足f(w)和gi(w)为Rn上处处可微的凸函数，也为仿射函数(即型为Ax+b的形式，A、x属于Rn)，因此，上述的第一个式子可以看作目标函数，为二次型，而第二个式子可以看作它的约束条件，即次求解过程可以转化为求解凸二次优化问题。
这里插播一条求解凸优化的好处，就是局部最优解与全局最优解是相等的，这时候如果要用梯度下降法(Gradient Descend)之类的算法就不用担心会陷入局部极值。
求解上述的二次凸优化问题需要引入拉格朗日乘子(Lagrangian Multiplier) 和 KKT 条件。
先说拉格朗日乘子，可以参见*给出的解释http://en.wikipedia.org/wiki/Lagrange_multipliers。对于等式的约束问题：
即求解目标函数
其中λ≠0 。参照下图(来自wiki原图)，红色为g(x,y)=c的等高线，蓝色虚线为f(x,y)的等高线，箭头指向梯度下降的方向即f(x,y)的减小方向，与切线的法线方向平行，试想需要找满足约束条件的f(x,y)的最小值，需要在蓝色曲线与红色曲线相交或相切的点上寻找，如果是交点，则必然存在一点或多点比使f(x,y)满足约束条件更小的点，也就是下图中如果找外围蓝色曲线与红色曲线的交点，则必然存在f(x,y)=d1上的点比该点更小，因此，需要找到的点就是蓝色曲线与红色曲线的切点。而在切点处，法线的方向是平行的，只需要参数来调整大小和方向，因此对x,y求导求出切点的法线，λ用来调整等式使其相等，对λ求偏导引入等式条件，即
再说 KKT 条件
KKT 条件为非线性规划求最优解问题提供了必要条件，wiki上也有说明 http://en.wikipedia.org/wiki/Karush%E2%80%93Kuhn%E2%80%93Tucker_conditions。
KKT 的一般性描述为
也可以转换为求解目标函数的极大值
这里引入拉格朗日乘子连接目标函数与约束条件得到拉格朗日函数 
这篇文章只是个人的理解，有什么问题欢迎大家留言一起交流。