C C++最新标量、向量、矩阵、张量及向量和矩阵范数简介_标量矩阵，被逼无奈开始狂啃底层技术

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

x

⃗

∥

1

=

∑

i

=

1

N

∣

x

i

∣

\Vert\vec{x}\Vert_1=\sum_{i=1}^N\vert{x_i}\vert

∥x

∥1​=i=1∑N​∣xi​∣

• 向量的2范数：向量的每个元素的平方和再开平方根，上述

a

⃗

\vec{a}

a

的2范数结果就是：15。

∥

x

⃗

∥

2

=

∑

i

=

1

N

∣

x

i

∣

2

\Vert\vec{x}\Vert_2=\sqrt{\sum_{i=1}^{N{\vert{x_i}\vert}}2}

∥x

∥2​=i=1∑N​∣xi​∣2

​

• 向量的负无穷范数：向量的所有元素的绝对值中最小的：上述向量

a

⃗

\vec{a}

a

的负无穷范数结果就是：5。

∥

x

⃗

∥

−

∞

=

min

⁡

∣

x

i

∣

\Vert\vec{x}\Vert_{-\infty}=\min{|{x_i}|}

∥x

∥−∞​=min∣xi​∣

• 向量的正无穷范数：向量的所有元素的绝对值中最大的：上述向量

a

⃗

\vec{a}

a

的正无穷范数结果就是：10。

∥

x

⃗

∥

∞

=

max

⁡

∣

x

i

∣

\Vert\vec{x}\Vert_{+\infty}=\max{|{x_i}|}

∥x

∥+∞​=max∣xi​∣

• 向量的p范数：

L

p

=

∥

x

⃗

∥

p

=

∑

i

=

1

N

∣

x

i

∣

p

p

L_p=\Vert\vec{x}\Vert_p=\sqrt[p]{\sum_{i=1}^{N}|{x_i}|p}

Lp​=∥x

∥p​=pi=1∑N​∣xi​∣p

​

矩阵的范数

定义一个矩阵

A

=

[

−

1

,

2

,

−

3

;

4

,

−

6

,

6

]

A=[-1, 2, -3; 4, -6, 6]

A=[−1,2,−3;4,−6,6]。 任意矩阵定义为：

A

m

×

n

A_{m\times n}

Am×n​，其元素为

a

i

j

a_{ij}

aij​。

矩阵的范数定义为

∥

A

∥

p

:

=

sup

⁡

x

≠

0

∥

A

x

∥

p

∥

x

∥

p

\Vert{A}\Vert_p :=\sup_{x\neq 0}\frac{\Vert{Ax}\Vert_p}{\Vert{x}\Vert_p}

∥A∥p​:=x̸​=0sup​∥x∥p​∥Ax∥p​​

当向量取不同范数时, 相应得到了不同的矩阵范数。

• 矩阵的1范数（列范数）：矩阵的每一列上的元

素绝对值先求和，再从中取个最大的,（列和最大），上述矩阵

A

A

A的1范数先得到

[

5

,

8

,

9

]

[5,8,9]

[5,8,9]，再取最大的最终结果就是：9。

∥

A

∥

1

=

max

⁡

1

≤

j

≤

n

∑

i

=

1

m

∣

a

i

j

∣

\Vert A\Vert_1=\max_{1\le j\le n}\sum_{i=1}^m|{a_{ij}}|

∥A∥1​=1≤j≤nmax​i=1∑m​∣aij​∣

• 矩阵的2范数：矩阵

A

T

A

A^TA

ATA的最大特征值开平方根，上述矩阵

A

A

A的2范数得到的最终结果是：10.0623。

∥

A

∥

2

=

λ

m

a

x

(

A

T

A

)

\Vert A\Vert_2=\sqrt{\lambda_{max}(A^T A)}

∥A∥2​=λmax​(ATA)

​

其中，

λ

m

a

x

(

A

T

A

)

\lambda_{max}(A^T A)

λmax​(ATA) 为

A

T

A

​

A^T A​

ATA​ 的特征值绝对值的最大值。

• 矩阵的无穷范数（行范数）：矩阵的每一行上的元素绝对值先求和，再从中取个最大的，（行和最大），上述矩阵

A

A

A的行范数先得到

[

6

；

16

]

[6；16]

[6；16]，再取最大的最终结果就是：16。

∥

A

∥

∞

=

max

⁡

1

≤

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

\Vert A\Vert_2=\sqrt{\lambda_{max}(A^T A)}

∥A∥2​=λmax​(ATA)

​

其中，

λ

m

a

x

(

A

T

A

)

\lambda_{max}(A^T A)

λmax​(ATA) 为

A

T

A

​

A^T A​

ATA​ 的特征值绝对值的最大值。

• 矩阵的无穷范数（行范数）：矩阵的每一行上的元素绝对值先求和，再从中取个最大的，（行和最大），上述矩阵

A

A

A的行范数先得到

[

6

；

16

]

[6；16]

[6；16]，再取最大的最终结果就是：16。

∥

A

∥

∞

=

max

⁡

1

≤

[外链图片转存中…(img-gbaWVL1D-1715730640478)]
[外链图片转存中…(img-ajjs8oqJ-1715730640479)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！