1、字面理解
linalg=linear(线性)+algebra(代数),norm则表示范数。
2、函数参数
x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)
-
x: 表示矩阵(也可以是一维)
-
ord:范数类型
-
向量的范数:
-
矩阵的范数:
-
ord=1:列和的最大值
-
ord=2:|λE-ATA|=0,求特征值,然后求最大特征值得算术平方根(matlab在线版,计算ans=ATA,[x,y]=eig(ans),sqrt(y),x是特征向量,y是特征值)
-
ord=∞:行和的最大值
-
ord=None:默认情况下,是求整体的矩阵元素平方和,再开根号。(没仔细看,以为默认情况下就是矩阵的二范数,修正一下,默认情况下是求整个矩阵元素平方和再开根号)
-
-
-
axis:处理类型
-
axis=1表示按行向量处理,求多个行向量的范数
-
axis=0表示按列向量处理,求多个列向量的范数
-
axis=None表示矩阵范数。
-
-
keepding:是否保持矩阵的二维特性
True表示保持矩阵的二维特性,False相反
3、代码实现
import numpy as np
x = np.array([
[0, 3, 4],
[1, 6, 4]])
#默认参数ord=None,axis=None,keepdims=False
print "默认参数(矩阵整体元素平方和开根号,不保留矩阵二维特性):",np.linalg.norm(x)
print "矩阵整体元素平方和开根号,保留矩阵二维特性:",np.linalg.norm(x,keepdims=True)
print "矩阵每个行向量求向量的2范数:",np.linalg.norm(x,axis=1,keepdims=True)
print "矩阵每个列向量求向量的2范数:",np.linalg.norm(x,axis=0,keepdims=True)
print "矩阵1范数:",np.linalg.norm(x,ord=1,keepdims=True)
print "矩阵2范数:",np.linalg.norm(x,ord=2,keepdims=True)
print "矩阵∞范数:",np.linalg.norm(x,ord=np.inf,keepdims=True)
print "矩阵每个行向量求向量的1范数:",np.linalg.norm(x,ord=1,axis=1,keepdims=True)
结果显示:
4、总结
-
矩阵的三种范数求法(应该是4种了,在默认情况下,又多出了一种情况)
-
向量的三种范数求法
————————————————
原文链接:https://blog.csdn.net/hqh131360239/article/details/79061535