从三类优化问题开始：
1 无约束优化。
2 带等式约束带优化。
3 不等式约束优化。
而SVM的优化问题，即不等式约束优化，针对此类问题，
细分为两类情况：
1. 目标函数最优解在可行域内：此时不等式约束失效，问题即退化为无约束优化问题。
2. 目标函数最优解不在可行域内：此时带约束后，最优解一定在可行域边界； 且满足在该点处的两个函数的梯度方向相反。
上面是思路，下面具体到数学表达。
对于不等式约束问题：
min f(x)
subject to : g(x) < 0
定义拉格朗日表达式： L(x) = f(x) + g(x)
如果是第一类情况： f(x) 最优解 x* 在可行域内：
满足：
1 g(x*) < 0 # 即在可行域内
2
L(x*) = 0， 且
= 0 # 即代表拉格朗日表达式中不等式约束部分无效
对于第二类情况： f(x) 最优解 不在可行域内：
满足：
1 g(x*) = 0 # 代表一定在可行域边界上。
2 梯度 L(x*) = 0, 且
两种情况合并起来：
1 g(x*) <= 0
2 梯度 L(x*) = 0， 且
3
