抄书——最优化的理论与方法（1）——数学基础（范数部分）

今天抄袁亚湘的《最优化理论与方法》。这本书1997年就出版了，距今20余年，近来翻开仍觉得很值得细细研读。于我而言，仔细研读就是抄，而把它抄在自己的博客上，是为了让自己能坚持下去，就如在朋友圈上嗮出每天跑了多少路似的。希望以这种方式，能督促我坚持下去。
.
.
1.2.1 范数
定义1.2.1 映射 $\Vert \cdot \Vert :{\mathbb{R}}^n\to \mathbb{R}$ 称为 ${\mathbb{R}}^n$ 上的半范数，当且仅当它具有下列性质：
（i）$\Vert x\Vert \ge 0,\forall x\in {\mathbb{R}}^n$ ，——非负性
（ii）$\Vert \alpha x\Vert =|\alpha |\Vert x\Vert ,\forall \alpha \in \mathbb{R},x\in {\mathbb{R}}^n$ ，——标量乘
（iii）$\Vert x+y\Vert \le \Vert x\Vert +\Vert y\Vert ,\forall x,y\in {\mathbb{R}}^n$，——三角不等式
此外，除了上述性质外，如果映射还满足：
（iv）$\Vert x\Vert =0\Leftarrow \Rightarrow x=0$
则 $\Vert \cdot \Vert$ 称为 ${\mathbb{R}}^n$ 上的范数。
设 $x=(x_1,x_2,\cdots ,x_n{)}^T\in {\mathbb{R}}^n$，常用的向量范数为：
$$\begin{gathered} \Vert x{\Vert }_{\infty }=\underset{i}{\max }|x_i|(1.2.1) \\ \Vert x{\Vert }_1=\sum _{i=1}^n|x_i|(1.2.2) \\ \Vert x{\Vert }_2={\left(\sum _{i=1}^n{x}_i^2\right)}^{1/2}(1.2.3) \end{gathered}$$
这些都是 $l_p$ 范数的特例。一般地，对于 $1\le p<\infty$，$l_p$ 范数定义为：
$$\Vert x{\Vert }_p={\left(\sum _{i=1}^n|x_i{|}^p\right)}^{1/p}(1.2.4)$$
类似于向量范数的定义，可以定义矩阵范数，设 $A\in {\mathbb{R}}^{n\times n}$，其诱导矩阵范数定义为：
$$\Vert A\Vert =\underset{x̸=0}{\max }\left\{\frac{\Vert Ax\Vert }{\Vert x\Vert }\right\}(1.2.5)$$
其中，x是n维空间任一不为零的矢量，$\Vert x\Vert$ 是它的向量。于是，由上述常用矢量范数可以诱导出如下范数：
1）$l_1$ 诱导矩阵范数（列和范数）：
∥ A ∥ 1 = max ⁡ j { ∥ a ⋅ j ∥ 1 } = max ⁡ j ∑ i = 1 n ∣ a i j ∣ ( 1.2.6 ) \Vert A \Vert_1=\max_j \left \{ \Vert a_{\cdot j}\Vert_1 \right \}=\max_j\sum_{i=1}^n \vert a_{ij} \vert \qquad(1.2.6) ∥A∥1​=jmax​{∥a⋅j​∥1​}=jmax​i=1∑n​∣aij​∣(1.2.6)
2）$l_{\infty }$ 诱导矩阵范数（行和范数）：
∥ A ∥ ∞ = max ⁡ i { ∥ a i ⋅ ∥ 1 } = max ⁡ i ∑ j = 1 n ∣ a i j ∣ ( 1.2.7 ) \Vert A \Vert_{\infty}=\max_i \left \{ \Vert a_{i\cdot }\Vert_1 \right \}=\max_i \sum_{j=1}^n \vert a_{ij} \vert \qquad(1.2.7) ∥A∥∞​=imax​{∥ai⋅​∥1​}=imax​j=1∑n​∣aij​∣(1.2.7)
3）$l_2$ 诱导矩阵范数（谱范数）：前面博客中讨论的GAN判别器的谱范数定义相同：
$$\Vert A{\Vert }_2=({\lambda }_{A^{T}A}{)}^{1/2}(1.2.8)$$
这里${\lambda }_{A^{T}A}$ 表示 $A^{T}A$ 的最大特征值。对于A的逆，有：
$$\Vert A^{-1}\Vert =\frac{1}{{\min }_{x̸=0}\frac{\Vert Ax\Vert }{\Vert x\Vert }}$$
此外，对于诱导矩阵范数，我们总有 $\Vert I\Vert =1$。除了上述由矢量诱导得到的矩阵范数，还有其他范数，如：Frobenius范数，其定义如下：
$$\Vert A{\Vert }_F={\left(\sum _{i=1}^n\sum _{j=1}^n|a_{ij}{|}^2\right)}^{1/2}=[tr(A^{T}A){]}^{1/2}(1.2.9)$$
其中 $tr(A)$ 表示矩阵 A 的迹（trace）。

---

其实，这个也很好验证：
$$\begin{gathered} A=\left[\begin{array}{cc}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right] \\ {A}^{T}A=\left[\begin{array}{cc}{a}_{11}& a_{21}\\ a_{12}& a_{22}\end{array}\right]\cdot \left[\begin{array}{cc}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right]=\left[\begin{array}{cc}{a}_{11}^2+a_{21}^2& \cdot \\ \cdot & a_{21}^2+a_{22}^2\end{array}\right] \\ tr(A^{T}A)=a_{11}^2+a_{21}^2+a_{21}^2+a_{22}^2 \end{gathered}$$

---

除了一般定义的矩阵范数外，还有加权范数，加权 Frobenius范数 和 加权 $l_2$ 范数的定义分别为：
$$\begin{gathered} \Vert A{\Vert }_{M,F}=\Vert MAM{\Vert }_F \\ \Vert A{\Vert }_{M,2}=\Vert MAM{\Vert }_2 \end{gathered}$$
其中，$M$ 是 $n\times n$ 对称正定矩阵。
如果，某个范数 $\Vert \cdot \Vert$ 满足：
$$\Vert AB\Vert \le \Vert A\Vert \Vert B\Vert (1.2.10)$$
则称范数 $\Vert \cdot \Vert$ 满足相容性条件。容易看出，诱导p-范数和Frobenius范数满足相容性条件，并且有：
∥ A B ∥ F ≤ min ⁡ { ∥ A ∥ 2 ∥ B ∥ F , ∥ A ∥ F ∥ B ∥ 2 } ( 1.2.10 a ) \Vert AB\Vert_F \le \min\{\Vert A \Vert_2\Vert B \Vert_F,\Vert A \Vert_F\Vert B \Vert_2\}\qquad(1.2.10a) ∥AB∥F​≤min{∥A∥2​∥B∥F​,∥A∥F​∥B∥2​}(1.2.10a)
此外，椭球向量范数也是常用的向量范数。设 $x\in {\mathbb{R}}^n,A\in {\mathbb{R}}^{n\times n}$ 是对称正定矩阵，向量x的椭球范数定义为：
$$\Vert x{\Vert }_A=(x^{T}Ax{)}^{1/2}(1.2.11)$$
直交变换下不变的矩阵范数也是一类重要的矩阵范数。设 $U$ 为 $n$ 阶直交矩阵，若：
$$\Vert UA\Vert =\Vert A\Vert$$
则称范数 $\Vert \cdot \Vert$ 为直交不变矩阵范数。显然，谱范数和Frobenius范数是直交不变范数。

---

什么叫“直交变换”呢？好像就是“正交变换”，即矩阵乘以单位正交矩阵。也就是矩阵经过正交变换后，其谱范数和Frobenius范数保持不变，也称为保范性。

---

关于范数的等价性，我们有：
定义1.2.2 设 $\Vert \cdot {\Vert }_{\alpha }$ 和 $\Vert \cdot {\Vert }_{\beta }$ 是 ${\mathbb{R}}^n$ 上任意两个范数，如果存在 ${\mu }_1,{\mu }_2>0$，使得
$${\mu }_1\Vert x{\Vert }_{\alpha }\le \Vert x{\Vert }_{\beta }\le {\mu }_2\Vert x{\Vert }_{\alpha },\forall x\in {\mathbb{R}}^n(1.2.12)$$
则称范数 $\Vert \cdot {\Vert }_{\alpha }$ 和 $\Vert \cdot {\Vert }_{\beta }$ 是等价的。
特别，对于矢量 $x$ 我们有：
$$\begin{gathered} \Vert x{\Vert }_2\le \Vert x{\Vert }_1\le \sqrt{n}\Vert x{\Vert }_2(1.2.13) \\ \Vert x{\Vert }_{\infty }\le \Vert x{\Vert }_2\le \sqrt{n}\Vert x{\Vert }_{\infty }(1.2.14) \\ \Vert x{\Vert }_{\infty }\le \Vert x{\Vert }_1\le n\Vert x{\Vert }_{\infty }(1.2.15) \\ \Vert x{\Vert }_{\infty }\le \Vert x{\Vert }_2\le \Vert x{\Vert }_1(1.2.16) \\ \sqrt{\lambda }\Vert x{\Vert }_2\le \Vert x{\Vert }_A\le \sqrt{\Lambda }\Vert x{\Vert }_2(1.2.17) \end{gathered}$$
其中，$\Vert x{\Vert }_A$ 表示 $x$ 的椭球向量范数，$A$ 是对称正定矩阵，$\lambda$ 是它的最小特征值，$\Lambda$ 是它的最大特征值。

---

由以上不等式（1.2.13）~（1.2.17）是否可以说明这些范数定义是等价的呢？答案是肯定的。

---

设 { x k } \{ x_k\} {xk​} 是向量序列，如果：
$$\underset{k\to \infty }{\lim }\Vert x_k-x^{\ast }\Vert =0(1.2.18)$$
则称序列 { x k } \{ x_k\} {xk​} 依范数收敛到 $x^{\ast }$。
在 ${\mathbb{R}}^n$ 中，如果序列 { x k } \{ x_k\} {xk​} 满足：
$$\underset{m,l\to \infty }{\lim }\Vert x_m-x_l\Vert =0$$
则称序列 { x k } \{ x_k\} {xk​} 为Cauchy 序列。这就是说，对给定的 $ϵ>0$，存在整数 $N_{ϵ}$，使得每当 $m,l>N_{ϵ}$ 时，就有：
$$\Vert x_m-x_l\Vert <ϵ$$
成立。在 ${\mathbb{R}}^n$ 中，序列 { x k } \{ x_k\} {xk​} 收敛，当且仅当 { x k } \{ x_k\} {xk​} 是Cauchy 序列。
关于范数的几个重要不等式：
（1）Cauchy-Schwarz 不等式：
$$|x^{T}y|\le \Vert x\Vert \Vert y\Vert$$
当且仅当x和y线性相关时，等式成立。
（2）设 $A$ 是 $n\times n$ 正定矩阵，则：
$$|x^{T}Ay|\le \Vert x{\Vert }_A\Vert y{\Vert }_A$$
当且仅当x和y线性相关时，等式成立。
（3）设 $A$ 是 $n\times n$ 正定矩阵，则：
$$|x^{T}y|\le \Vert x{\Vert }_A\Vert y{\Vert }_{A^{-1}}$$
当且仅当x和 $A^{-1}y$线性相关时，等式成立。
（4）Young不等式：假定 p 和 q 都是大于1的实数，$\frac{1}{p}+\frac{1}{q}=1$，如果 x 和 y 是实数，则：
$$xy\le \frac{x^p}{p}+\frac{y^q}{q}$$
当且仅当 $x^p=y^q$ 时，等式成立。
（5）Holder不等式：
$$|x^{T}y|\le \Vert x{\Vert }_p\Vert y{\Vert }_q={\left(\sum _{i=1}^n|x_i{|}^p\right)}^{1/p}+{\left(\sum _{i=1}^n|y_i{|}^q\right)}^{1/q}$$
其中，p和q都大于1，且满足 $\frac{1}{p}+\frac{1}{q}=1$。
（6）Minkowski不等式：
$$\begin{gathered} \Vert x+y{\Vert }_p\le \Vert x{\Vert }_p+\Vert y{\Vert }_p \\ \text{即} \\ {\left(\sum _{i=1}^n|x_i+y_i{|}^p\right)}^{1/p}\le {\left(\sum _{i=1}^n|x_i{|}^p\right)}^{1/p}+{\left(\sum _{i=1}^n|y_i{|}^p\right)}^{1/p} \end{gathered}$$