假设我们有一个优化问题，其中 $W$ 是我们要优化的变量，$f(W)$ 是我们要最小化的目标函数。那么，我们可以将 $1/2||W||$ 转换为最小化或最大化的形式，具体如下：
最小化形式：
我们可以将 $1/2||W||$ 添加到目标函数中，得到：
$$\min_{W} f(W) + \lambda \cdot \frac{1}{2}||W||^2$$
其中，$\lambda$ 是一个正则化参数，用于平衡目标函数和正则化项的影响。这个问题可以通过梯度下降等优化算法来求解。
最大化形式：
我们可以将 $1/2||W||$ 转换为 $-1/2||W||$，然后将其添加到目标函数中，得到：
$$\max_{W} f(W) – \lambda \cdot \frac{1}{2}||W||^2$$
同样地，这个问题也可以通过梯度上升等优化算法来求解。
