流程：模型族->算法族->深度网络->深度学习
模型族：模型中含有超参数，给予不同的参数对应不同的模型，就形成了模型族
算法族：每一个模型对应一个完整算法，整个模型族对应了一个算法族 将算法族展开成一个深度网络，网络层数代表迭代次数，模型的超参数成为网络中的参数（如权重等）。利用少量标记数据就可以训练网络。
相对于模型驱动算法的优势：
1、可以学习模型超参数，提高了模型的适应能力，提高精度
相对于数据驱动的优势：
1、网络的设计有模型指导
2、减少了数据需求量
3、减小了训练时间
比如核磁共振重建的ADMM算法：
模型：
\(x^*={arg\max}_{x}{\{\frac{1}{2}||Ax-y||^2+\sum_{l=1}^{L}\lambda_{l}g(D_{l}x)\}}\)
ADMM算法求解：
\(g,\lambda,L,D_{l}\)的不同选择形成了不同的模型，构成了模型族。
广义拉格朗日函数：
ADMM算法迭代更新过程：
令\(\beta_{l}=\frac{\alpha_{l}}{\rho_{l}},A=PF\)(已知)，可得
\(S(\cdot)\)是一个非线性shrinkage function。\(S(\cdot)\)通常是一个光滑函数。
网络结构：
包括重建层\(X^{(n)}\)、卷积层\(C^{(n)}=D_{l}x^{(n)}\)、非线性变换层\(Z^{(n)}\)、乘子更新层\(M^{(n)}\),其中非线性变换函数\(S\)可以用分段线性函数近似，只需学习插值点的函数值即可。
网络学习的参数：模型族中的超参数，每一层可以不一样。
网咯训练：
损失函数为
梯度下降法训练。
参考文献：
yangyan,sunjian,lihuibin,xuzongben, Deep ADMM-Net for Compressive Sensing MRI (NIPS2017)
https://arxiv.org/abs/1705.06869
