Tensor Train压缩高维HJB值函数的牛顿策略迭代Matlab实现

简介：这份离散控制Matlab代码围绕Hamilton-Jacobi-Bellman方程，给出牛顿策略迭代的Tensor Train实现，利用低秩张量分解缓解高维状态空间的计算与存储压力，面向有一定最优控制、数值PDE或科学计算基础的研究生与算法开发者。压缩包共15个文件、约24KB，主体为13个.m函数与脚本，另有README说明和许可证；求解器、谱微分、Legendre递推、交叉近似及一维/二维Allen-Cahn、Fokker-Planck测试脚本构成较完整的实验链路。README与Matlab help列出逐文件说明和调用语法，参数解析脚本支持交互录入模型与近似参数，便于复现数值实验、观察控制约束影响并做二次开发。已有1202人学习，可作为HJB数值求解与TT格式实现的参考。

1. 从高维 Bellman 方程说起：这套 TT-HJB 代码解决的是什么问题

状态维度到 6 维、每维 41 个网格点时，一张值函数表就是 41^6 个 double，约 38GB，传统离散动态规划还没开始迭代，内存先翻车。这套离散控制 Matlab 代码把 Hamilton-Jacobi-Bellman 方程的值函数写成 Tensor Train 格式，用牛顿策略迭代在压缩后的张量空间里求解，目标很明确：让高维最优控制问题从“存不下”变成“能跑、能改、能验证”。它适合做最优控制、动态规划、科学计算的研究者和工程开发者，尤其是已经写过一维/二维 DP、想往 4 到 8 维推的人。系统开源代码里能看到 TT rounding、策略评估、策略改进和牛顿线性化几个关键环节，拿下来先跑最小算例，再换自己的动力学和代价函数，路径比较直接。

2. 技术栈与工程骨架：Matlab 里的 TT 格式、离散控制与牛顿策略迭代

2.1 Tensor Train 为什么能压住高维值函数

这个项目的技术栈不复杂：Matlab 做数值计算，Tensor Train 做值函数压缩，离散控制网格做策略搜索，牛顿策略迭代做外层求解。真正决定项目能不能落地的是 TT 格式：它把 d 维张量 V(x1,…,xd) 拆成一串三阶核心张量 G1(r0,r1,x1)…Gd(rd-1,rd,xd)，相邻核心通过 TT rank r 连接。存储量从 O(n^d) 降到 O(d n r^2)，当 r 远小于 n 时，高维值函数才有存下来的可能。

在 HJB 场景里，值函数通常不是完全随机的张量，光滑性给了 TT 截断的空间。牛顿策略迭代每步会做张量加法、逐点取最小、线性系统求解，这些操作都会让 TT rank 上涨，所以代码里必须有 rounding。常见做法是每次 Bellman 算子作用后调用一次 tt_round，用截断容差和最大 rank 两个参数卡住增长。下面这段示例骨架展示值函数从全网格到 TT 张量的创建过程，函数名按实际仓库调整，逻辑是通用的。

% 创建 d 维网格上的 TT 值函数示例 nDims = 6; % 状态维度 nGrid = 41; % 每维网格点数 ttTol = 1e-8; % TT 截断容差 maxRank = 32; % TT rank 上限 % 先生成初始值函数，实际项目里常从零或二次型初始化 xGrid = cell(1, nDims); for k = 1:nDims xGrid{k} = linspace(-1, 1, nGrid); end V0 = zeros(repmat(nGrid, 1, nDims)); % 小维度 smoke 测试才建议直接 zeros Vtt = tt_tensor(V0, ttTol, maxRank); % 转成 TT 格式 Vtt = tt_round(Vtt, ttTol, maxRank); % 再截断一次，防止初始 rank 过高

这段代码里nDims和nGrid决定问题规模，ttTol控制截断精度，maxRank是内存上限的保险丝。tt_tensor和tt_round是 TT 工具层最常用的两个入口，前者把满张量转成 TT，后者在运算后压 rank。实际项目中不建议一上来就zeros满张量，高维下会直接吃满内存；更常见的做法是按 TT 核心逐维初始化，或者用低秩函数（如二次型）构造初始值函数。这个细节决定了代码在 6 维以上能不能启动。

TT 格式不是“免费的压缩”。rank 设得太小，值函数细节被抹掉，策略改进会震荡；rank 设得太大，内存和单步时间又上去。我一般会先跑一个 2 维或 3 维算例，把maxRank从 8 试到 32，观察残差和策略变化，再推到高维。项目里如果有check_tt_ranks.m这类工具，建议每轮迭代都打印最大 rank 和截断误差，别等跑完才发现 rank 已经涨到不可接受。

2.2 目录结构与模块职责

这类 Matlab 项目通常不会做得像大型框架，目录一般按“入口、配置、核心算法、工具、测试”分开。下面是一个常见的工程骨架，实际文件名可能略有差异，但职责划分基本对应。看目录时重点盯hjb/和core/两层：前者是问题定义，后者是 TT 线性代数。

调用链一般是main.m→newton_pi.m→policy_eval.m/policy_improve.m→bellman_operator.m→core/tt_*.m。这条链上最容易出问题的是“网格维度顺序”和“TT 核心 mode 顺序”不一致，后面避坑章会细讲。先跑tests/里的 smoke 用例，比直接上高维算例稳得多。测试目录里如果有一维解析解对比，优先跑那个，因为它能同时验证动力学、代价、Bellman 算子和 TT 截断。

工程上还有一个实用点：把配置写成函数返回结构体，而不是散落在脚本里的变量。这样同一个newton_pi可以跑一维 smoke、二维网格对比和六维正式算例，改参数不用动主循环。下面是一个配置函数的写法，字段名按项目习惯调整。

function params = params_smoke() % 最小 smoke 算例配置，先保证链路通，再谈精度 params.nDims = 2; % 状态维度 params.nGrid = 21; % 每维网格点数 params.uGrid = linspace(-1, 1, 9); % 控制离散集 params.gamma = 0.95; % 折扣因子 params.ttTol = 1e-8; % TT 截断容差 params.maxRank = 16; % TT rank 上限 params.maxNewton = 20; % 牛顿外层最大迭代 params.damping = 0.7; % 牛顿步阻尼 params.tolRes = 1e-6; % 残差收敛阈值 params.tolPolicy = 1e-4; % 策略变化收敛阈值 end

这段配置里gamma接近 1 会让策略评估的线性系统条件数变差，damping就是给牛顿步留的后悔药。ttTol和maxRank要一起看：容差太松，残差降不下去；rank 上限太小，策略改进会缺信息。uGrid是离散控制集，控制越密策略越准，但每轮 Bellman 算子要遍历的控制数也越多，6 维以上要权衡。

2.3 一个典型运行入口和依赖检查

Matlab 项目最怕“换台机器就跑不起来”，常见原因是路径没加、工具箱缺失、TT 函数版本不一致。这个项目理论上只依赖 Matlab 基础数值能力和自带的 TT 工具层，不强制 Optimization Toolbox，但如果你把线性求解换成pcg或lsqr，就要确认相应函数可用。运行前先做三件事：把根目录和core/、hjb/加进路径；确认tt_tensor、tt_round能找到；跑一次tests/test_1d_smoke.m。

% main.m 的典型入口骨架 clear; clc; addpath(genpath(pwd)); % 把子目录加入路径 params = params_smoke(); % 读最小算例配置 check_env(); % 检查 TT 函数和网格顺序 [Vtt, policy, info] = newton_pi(params); fprintf('残差: %.3e, 策略变化: %.3e, 最大 rank: %d\n', ... info.resHist(end), info.policyHist(end), info.maxRank); save('result_smoke.mat', 'Vtt', 'policy', 'info');

addpath(genpath(pwd))会把测试和工具目录都加进来，方便但有点粗暴，正式项目里建议只加必要目录。check_env不是摆设，它应该检查tt_tensor是否存在、nGrid和uGrid是否非空、gamma是否在 (0,1) 内。newton_pi返回的info里至少要有残差历史、策略变化历史和最大 rank，后面调参全靠这三个量。跑完先看info.resHist是不是单调下降，再看info.maxRank有没有顶到上限；如果 rank 一直顶格，说明maxRank设小了或者截断容差太松。

3. 核心链路拆解：从 Bellman 算子到牛顿线性系统

3.1 离散控制下的 Bellman 算子

离散控制 HJB 的 Bellman 形式是 V(x) = min_u { g(x,u) + γ V(f(x,u)) }。在网格上，f(x,u)不一定落在网格点上，常见做法是最近邻索引、线性插值或把动力学设计成网格映射。这个项目既然叫离散控制，控制集通常是有限个uGrid，状态网格是张量积网格。Bellman 算子要对每个控制算候选值函数，再逐点取最小。TT 的逐点最小不是线性运算，不能直接靠 TT 加法完成，常见做法是先把候选值函数转成 TT，做逐点 min 后再 rounding。

function [TV, uStar] = bellman_operator(Vtt, params) % 对离散控制集遍历，返回 Bellman 右端和最优控制索引 nU = numel(params.uGrid); candidates = cell(1, nU); for iu = 1:nU u = params.uGrid(iu); g = params.stage_cost(params.X, u); % 单步代价，网格张量 xNext = params.dynamics(params.X, u); % 状态转移 idxNext = state_to_index(xNext, params); % 映射到网格索引 Vnext = tt_eval_on_grid(Vtt, idxNext); % 在转移点取值 candidates{iu} = g + params.gamma * Vnext; % 候选 Q 值 end [TV, uStar] = tt_pointwise_min(candidates, params.ttTol, params.maxRank); TV = tt_round(TV, params.ttTol, params.maxRank); end

这段代码里params.X是网格张量，state_to_index负责把连续状态映射到网格索引，tt_eval_on_grid在 TT 上取值。uStar是每个网格点上的最优控制索引，后面策略改进要用。tt_pointwise_min是逐点最小，不是 TT 线性运算，内部通常会把候选张量对齐后比较，再做截断。实际项目里state_to_index要处理越界：状态转移跑出网格时，可以钳制到边界、加惩罚项或拒绝该控制。边界处理没做好，策略会在边界附近抖动，残差看起来降了，实际策略不可用。

参数上gamma决定未来代价权重，uGrid决定控制分辨率，ttTol和maxRank决定压缩强度。tt_eval_on_grid的插值方式要和state_to_index保持一致：用最近邻就全用最近邻，用线性插值就全用线性插值，混用会让值函数出现莫名其妙的小台阶。我一般会先在一维算例上把bellman_operator和解析 Bellman 右端对比，误差在 1e-6 量级再往高维推。

3.2 牛顿策略迭代的线性化与 TT 求解

牛顿策略迭代的核心是把 Bellman 残差 F(V) = V - T(V) 压到零。对 F 做牛顿线性化，得到 J_F(V_k) δ = -F(V_k)，其中 J_F = I - ∂T/∂V。策略固定时，∂T/∂V 对应折扣后的策略转移算子 γP_π，所以每一步牛顿步等价于解一个线性系统 (I - γP_π) δ = -F(V_k)，再更新 V_{k+1} = V_k + αδ。α 是阻尼，防止步子太大导致残差反弹。策略改进和策略评估交替进行，外层再用牛顿步加速收敛，这是“牛顿策略迭代”在这个项目里的落地方式。

function [Vtt, policy, info] = newton_pi(params) % 牛顿策略迭代主循环 Vtt = params.init_value(params); % 初始值函数，通常是零或二次型 policy = ones(params.nGrid * ones(1, params.nDims)); % 初始策略索引 info.resHist = []; info.policyHist = []; info.maxRank = 0; for k = 1:params.maxNewton % 1) 固定策略，构造策略评估线性系统 A V = b [A, b] = build_policy_system(Vtt, policy, params); % 2) 牛顿步：解 (I - gamma P_pi) delta = -(V - T(V)) [TV, ~] = bellman_operator(Vtt, params); residual = Vtt - TV; rhs = -residual; % 线性化右端 delta = tt_als_solve(A, rhs, params.ttTol, params.maxRank); % 3) 阻尼更新 Vtt = tt_add(Vtt, params.damping * delta); Vtt = tt_round(Vtt, params.ttTol, params.maxRank); % 4) 策略改进 [~, policyNew] = bellman_operator(Vtt, params); policyChange = mean(policyNew(:) ~= policy(:)); policy = policyNew; % 5) 记录收敛信息 resNorm = tt_norm(residual) / max(1, tt_norm(Vtt)); info.resHist(end+1) = resNorm; info.policyHist(end+1) = policyChange; info.maxRank = max(info.maxRank, tt_max_rank(Vtt)); if resNorm < params.tolRes && policyChange < params.tolPolicy break; end end end

这段主循环里build_policy_system组装策略评估线性系统，tt_als_solve用 TT 交替最小二乘解线性系统，tt_add做张量加法，tt_round控制 rank。damping取值通常在 0.3 到 1.0 之间：残差震荡就调小，收敛太慢就调大但别超过 1。tolRes和tolPolicy要一起用，只看残差容易在策略没稳定时提前退出。info.maxRank用来监控 TT rank 是否顶到maxRank，顶格说明压缩预算不够，后面要么放宽容差，要么提高上限。

这里有个容易混淆的点：策略评估本身是线性的，为什么还要牛顿？因为外层 Bellman 残差是非线性的，策略改进里的 min 带来了非线性。牛顿步是在当前策略附近对残差线性化，再用 TT 线性求解器解修正量。实际代码里也可以先做普通策略迭代，等残差降不动了再开牛顿加速，这样调试更直观。tt_als_solve的容差不要设得比tolRes还松，否则牛顿步解不准，外层残差会卡住。

3.3 策略改进与收敛判据

策略改进就是算 Q_u(x) = g(x,u) + γV(f(x,u))，然后对每个网格点取最小，记录最优控制索引。听起来简单，实际有两个细节：平局处理和策略抖动。离散控制集里两个控制产生几乎相同的 Q 值时，min会随意选一个，下一轮可能换另一个，策略变化率下不去。常见做法是加一个很小的二次惩罚项，或者在平局时保留上一轮策略。下面是一个策略改进的写法。

function [policyNew, Qmin] = policy_improve(Vtt, params, policyOld) % 策略改进：对每个控制算 Q，取最小并记录索引 nU = numel(params.uGrid); Q = cell(1, nU); for iu = 1:nU u = params.uGrid(iu); g = params.stage_cost(params.X, u); xNext = params.dynamics(params.X, u); idxNext = state_to_index(xNext, params); Q{iu} = g + params.gamma * tt_eval_on_grid(Vtt, idxNext); % 平局时轻微偏向旧策略，减少策略抖动 if nargin >= 3 Q{iu} = Q{iu} - 1e-12 * (iu == policyOld); end end [Qmin, policyNew] = tt_pointwise_min(Q, params.ttTol, params.maxRank); end

policyOld是可选的旧策略索引，1e-12只是 tie-break，不影响正常 Q 值比较。tt_pointwise_min同时返回最小值和索引，索引张量不一定要 TT 压缩，低维下直接存满网格，高维下可以只存切片或按需重算。收敛判据建议三条一起看：残差范数、策略变化比例、TT rank 稳定性。残差降到tolRes以下但策略变化还在 1e-2 量级，说明值函数精度不够，策略还在换；策略变化很小但残差很大，可能是 TT 截断把关键信息抹了，得放宽容差或提高 rank。

4. 跑起来：环境准备、参数配置与第一个最小算例

4.1 Matlab 版本与工具箱检查

拿到源码后先别急着改高维算例，先确认环境。Matlab 版本用近几年的即可，老版本要注意arguments块、string 数组和隐式扩展这些语法差异。这个项目的核心是 TT 数值计算，理论上不需要额外工具箱；如果你把线性求解换成pcg，那还是基础 Matlab 自带。检查三件事：tt_tensor能不能找到、tt_round的签名是不是你预期的、tests/里有没有一维 smoke 测试。路径加完后跑一次check_env，比直接main报错再回头查快得多。

function ok = check_env() % 环境检查：TT 函数、路径、基本参数 ok = true; required = {'tt_tensor', 'tt_round', 'tt_add', 'tt_norm'}; for k = 1:numel(required) if exist(required{k}, 'file') ~= 2 fprintf('缺少函数: %s\n', required{k}); ok = false; end end if ~exist('params_smoke.m', 'file') fprintf('缺少 smoke 配置\n'); ok = false; end fprintf('环境检查完成，ok=%d\n', ok); end

exist(..., 'file')返回 2 表示找到 m 文件。required列表按项目实际函数调整，别把测试函数写进去。检查通过后先跑tests/test_1d_smoke.m，一维算例小，出错信息直接，能快速定位是动力学、代价还是 TT 层的问题。如果一维都跑不通，高维不用试。

4.2 最小算例参数怎么配

最小算例的目标不是精度，是链路通。维度先 2，每维 21 个点，控制集 9 个点，gamma0.95，maxRank16，maxNewton20。这个规模下满张量也不大，方便和 TT 结果对比。配置表如下，字段名可以按项目实际调整。

配置写好后用main.m跑，命令就是main或run('main.m')。跑完看三个输出：info.resHist是否下降、info.policyHist是否降到 1e-3 以下、info.maxRank是否远小于maxRank。如果残差第一轮就卡住，先检查gamma和damping；如果 rank 顶格，先放ttTol或提高maxRank。最小算例跑通后再把nDims加到 3、4，观察 rank 增长曲线，别一步跳到 8 维。

4.3 运行结果怎么读与第一次验证

结果文件里一般有Vtt、policy、info。第一次验证不要只看残差，要做三件事：画值函数切片、画策略切片、和一维/二维满网格 DP 对比。二维算例可以直接把 TT 值函数展开成满张量，和传统 DP 的值函数做差，误差在ttTol量级说明链路正确。三维以上满张量对比不现实，就退而求其次看 Bellman 残差和策略稳定性。

% 读取结果并做切片检查 load('result_smoke.mat', 'Vtt', 'policy', 'info'); Vfull = tt_to_full(Vtt); % 小维度才建议展开 slice = squeeze(Vfull(:, :, 11)); % 取中间控制或中间状态切片 figure; subplot(1,2,1); imagesc(slice); colorbar; title('值函数切片'); subplot(1,2,2); imagesc(squeeze(policy(:,:,11))); colorbar; title('策略切片'); figure; semilogy(info.resHist, 'o-'); grid on; title('残差历史');

tt_to_full只在小维度用，高维展开会爆内存。squeeze去掉长度为 1 的维度，imagesc看值函数有没有异常尖峰。残差历史用半对数坐标，正常应该单调下降；如果出现平台或反弹，回到避坑章对应条目。第一次验证通过后，把params_smoke复制成params_2d，只改网格和控制集，确认同一套代码能复现，再开始换动力学。

5. 避坑与排查：TT-HJB 跑不通时先看这五个地方

5.1 现象：内存直接爆，或者跑两轮就卡死

现象很直接：Matlab 内存占用飙到几个 GB，或者第二轮迭代后单步时间从几秒变几分钟。原因通常是 TT rank 失控。Bellman 算子里的逐点最小、张量加法、策略评估线性系统都会让 rank 上涨，如果每次运算后不做tt_round，rank 会指数级增长。另一个常见原因是初始值函数用满张量zeros创建，6 维以上还没开始迭代就吃满内存。

解决分三步：第一，所有 TT 运算后强制tt_round，包括tt_add、tt_pointwise_min、线性求解的中间结果；第二，给maxRank设上限并每轮打印实际 rank，顶格就说明预算不够；第三，初始值函数用低秩构造，别用满张量。我一般会在newton_pi里加一行fprintf('iter=%d rank=%d res=%.2e\n', k, tt_max_rank(Vtt), resNorm)，跑的时候一眼能看出是 rank 先炸还是残差先卡。

5.2 现象：一维算例对得上，二维结果整体错位

一维 smoke 通过，二维值函数图看起来“形状对但位置不对”，策略切片也有偏移。原因多半是网格维度顺序和 TT 核心 mode 顺序不一致。Matlab 的ndgrid第一维变化最快，而某些 TT 工具按 mode-1 对应第一维、mode-2 对应第二维，中间如果混用meshgrid、permute或reshape，顺序就乱了。更隐蔽的是state_to_index用线性索引，而 TT 取值按子索引，两边没对齐。

解决方式：统一用ndgrid生成网格，所有张量按同一维度顺序排列；在check_env里加一个二维测试函数，比如 V(x,y)=x+2y，展开后和 TT 取值对比；如果对不上，用permute调整而不是改索引公式。血泪经验是别在多个文件里各自reshape，把维度顺序约定写进配置注释，所有模块遵守同一个约定。一维测试只能验证算子逻辑，二维才能抓出顺序问题。

5.3 现象：残差下降几轮后开始震荡或反弹

残差曲线前几轮下降，后面上下跳，策略变化率也下不去。原因可能是牛顿步太大、gamma接近 1 导致线性系统病态，或者 TT 截断容差和牛顿容差不匹配。gamma=0.99时(I - γP_π)的条件数会明显变差，tt_als_solve解不准，牛顿方向就不可信。另一个原因是策略改进的平局抖动，两个控制 Q 值几乎相同，策略每轮换，残差跟着跳。

解决：先把damping从 0.7 降到 0.3 试，观察残差是否恢复单调；再检查tt_als_solve的容差是否小于tolRes，求解器太松会让牛顿步失真；策略抖动就加 tie-break，保留旧策略或加微小二次惩罚。如果gamma必须接近 1，考虑给线性系统加正则项，或者先用普通策略迭代把残差降到 1e-3 再开牛顿。别迷信“牛顿一定比普通策略迭代快”，条件数差的时候阻尼牛顿更稳。

5.4 现象：策略在边界附近来回跳，值函数出现尖峰

边界附近的策略切片像锯齿，值函数在边界出现异常尖峰。原因通常是状态转移跑出网格后处理不一致：有的控制被钳制到边界，有的控制被加了大惩罚，有的直接丢弃，导致 Q 值比较不公平。另一个原因是插值方式在边界外推，TT 取值出现非物理值。离散控制里控制集有限，边界控制更容易把状态推出网格。

解决：在dynamics.m或state_to_index里统一边界策略，要么全部钳制，要么全部加二次惩罚，别混用；在bellman_operator里对越界状态加惩罚项并记录越界比例，比例高说明网格范围或控制集设计不合理；值函数尖峰可以用tt_round压，但先解决物理原因。我一般会在info里加一个boundaryHitRate，每轮打印，超过 5% 就回去改网格范围。

5.5 现象：换了自己的动力学后，残差完全不降

最小算例能跑，换成自己的dynamics.m和stage_cost.m后残差第一轮就很大，后面不降。原因可能是动力学返回值维度不对、代价函数没有按网格张量返回、控制集单位不匹配，或者新系统的状态范围超出了原网格。Matlab 的隐式扩展有时会掩盖维度错误，比如g是列向量、Vnext是行向量，相加后变成矩阵，TT 层收到错误形状也不报错。

解决：给dynamics和stage_cost加输入输出尺寸断言，size(xNext)必须和size(params.X)一致，size(g)同理；先用一个控制点跑bellman_operator，把g、xNext、Vnext的尺寸打印出来；再检查新系统的状态范围，必要时改build_grid的上下界。换动力学后先跑一维退化版本，一维对得上再上二维。别跳过尺寸检查，这类错误排查起来最费时间。

6. 二次开发：把 TT-HJB 改造成你自己的最优控制实验台

二次开发先从替换问题定义开始，别动主循环。dynamics.m和stage_cost.m是两个最干净的切口：输入网格张量X和控制u，输出同尺寸的下一状态和单步代价。改完后先跑一维退化算例，把状态范围缩到一维、控制集保留，和解析解或满网格 DP 对比。一维对得上，再加维度。常见做法是给两个函数加尺寸断言，size(xNext)必须等于size(X)，size(g)同理，这样隐式扩展不会偷偷把错误藏起来。

function xNext = dynamics(X, u) % 示例：线性系统 x_{k+1} = A x_k + B u，实际按你的系统改 A = 0.95; B = 1.0; xNext = A * X + B * u; assert(isequal(size(xNext), size(X)), 'dynamics 输出尺寸不匹配'); end function g = stage_cost(X, u) % 示例：二次代价，注意返回网格张量而不是标量 Q = 1.0; R = 0.1; g = Q * X.^2 + R * u.^2; assert(isequal(size(g), size(X)), 'stage_cost 输出尺寸不匹配'); end

TT 参数调整要跟着问题走。maxRank先按 8、16、32 三档跑，观察残差和策略变化；ttTol从 1e-6 收到 1e-10，看 rank 涨不涨。牛顿外层建议保留damping和maxNewton两个旋钮，残差震荡先降阻尼，收敛慢再适当加。验证方法我习惯做三层：一维对比满网格 DP，二维对比 TT 展开后的满张量，高维只看 Bellman 残差和策略边界命中率。每层都留一个回归脚本，改完动力学跑一遍，比肉眼看图可靠。从那以后我每次换动力学都先跑一维断言和二维切片，确认尺寸、边界、残差三件事都过，再推高维。希望帮到你。

本文还有配套的精品资源，点击获取