上一篇《机器学习：神经网络的代价函数及反向传播算法》记录了如何使用反向传播算法计算代价函数的导数，其中一个细节就是需要把参数的矩阵表达式展开成向量的形式，以便在后来使用高级的优化算法。Ng 老师在讲展开参数（Unrolling Parameters）这部分时，比较粗略。自己补了一下视频里提到的内容，在这里总结记录一下～
基于 Matlab 实现 unrolling parameters，有以下步骤：
function[jVal, gradient] = costFunction(theta)
optTheta = fminunc(@costFunction, initialTheta, options)
其中，fminunc() 是 Matlab 中内置的一个函数，其官方介绍如下：
Find minimum of unconstrained multivariable function
Nonlinear programming solver.
Finds the minimum of a problem specified by
,
where f(x) is a function that returns a scalar.
x is a vector or a matrix.
fminunc() 可以用来解决无约束非线性优化问题，帮助我们找到多变量函数的最小值，其中一种形式为：
x = fminunc(fun,x0,options)
那么再回头看 optTheta = fminunc(@costFunction, initialTheta, options) 这个式子，其中第一个输入参数 fun 定义为 @costFunction （@ 是Matlab中的句柄函数的标志符，即间接的函数调用方法）；第二个参数定义为 initialTheta，它是一个向量，是需要用户来自定义的，使用前需要初始化；第三个参数 options 是一个结构体，可以通过 optimset 来设置它，包括 GradObj 和 Maxlter 两个参数，GradObj 指明知否使用用户自定义的梯度下降公式，Maxlter 用来设置迭代次数。
▶️设置 options 的小例子：
options = optimset('GradObj', 'on', 'MaxIter', 100);
介绍完了 fminunc() 方法，再看这两个式子：
function[jVal, gradient] = costFunction(theta)
optTheta = fminunc(@costFunction, initialTheta, options)
其中 gradient、theta、initialTheta 都需要为向量形式，而神经网络中的参数为矩阵形式：
（权重矩阵）
（梯度矩阵）
所以，为了方便使用高级的算法对神经网络参数进行优化，我们就需要将这些矩阵形式的参数向量化，就可以将其传入 initialTheta 和 theta，并且得到梯度的返回值 gradient 了～
Ng 老师在课程中使用 Octave 做了过程的演示，很简单就不在此赘述了。
