【线性代数】范数(norm)

最新推荐文章于 2024-08-24 04:07:39 发布
最新推荐文章于 2024-08-24 04:07:39 发布
阅读量1w 收藏 26
点赞数 5
分类专栏： MathStone 文章标签： norm
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baishuo8/article/details/81212317
版权

定义

范数是将向量映射到非负值得函数，常被用来衡量一个向量的大小。

常用向量范数

范数类型 计算公式 MATLAB调用 补充解释
L1范数 L 1 范 数 ∥x∥1=∑ni=1|xi| ‖ x ‖ 1 = ∑ i = 1 n | x i | norm(x,1) 向量元素的绝对值之和
L2范数 L 2 范 数 ∥x∥=∑ni=1x2i−−−−−−−√ ‖ x ‖ = ∑ i = 1 n x i 2 norm(x,2) 欧几里得范数，最常用来计算向量长度，以至于下标中的2 都被省略
Lp范
最低0.47元/天 解锁文章
北境の守卫
关注
专栏目录
什么是范数（Norm），其具有哪些性质
iioSnail的博客
02-08 3万+
文章目录直观的感受一下范数范数的定义直观的感受下范数的边界图像范数的性质参考资料 直观的感受一下范数 先直观的感受一下二维空间的范数，假设在二维空间的向量为 v=(x,y)\bold{v} =(x,y)v=(x,y) 则v的1范数为： ∣∣v∣∣1=∣∣(x,y)∣∣1=∣x∣+∣y∣=(∣x∣1+∣y∣1)11 ||\bold{v}||_1 =||(x,y)||_1 = |x| + |y| = (|x|^1+|y|^1)^\frac{1}{1} ∣∣v∣∣1​=∣∣(x,y)∣∣1​=∣x∣+∣y∣=(∣
范数(norm)
miFrost的专栏
12-17 7066
范数，在机器学习中通常用于衡量一个向量的大小，形式上， 范数的定义如下：      其中 p>=1 从宏观上来讲，范数是将向量映射到非负值的函数，从直观上来说，范数是向量x到原点的距离。 但是范数并不局限于上述的公式，对任意的函数只要满足以下的性质，则可以称该函数是范数：      1)对于 f(x) = 0，则一定有x = 0      2) f(x + y) x) +
线性代数之范数
涂宇鸽的博客
09-18 823
学习笔记，本文内容非原创，来源于《动手学深度学习》 torch.norm() L1 范数，它表示为向量元素的绝对值之和： ∥x∥1=∑i=1n∣xi∣\|\mathbf{x}\|_{1}=\sum_{i=1}^{n}\left|x_{i}\right|∥x∥1​=i=1∑n​∣xi​∣ 事实上，欧几里得距离是一个范数：具体而言，它是 L2 范数: ∥x∥2=∑i=1nxi2\|\mathbf{x}\|_{2}=\sqrt{\sum_{i=1}^{n} x_{i}^{2}}∥x∥2​=i=1∑n​xi2​​
L1、L2范数理解--Ridge以及Lasso回归
最新发布
weixin_40974488的博客
08-24 61
@TOC<hr style=" border:solid; width:100px; height:1px;" color=#0a00000 size=1">一：范数对比L0范数: 指向量中非0的元素的个数。(L0范数很难优化求解)L1范数: 指向量中各个元素绝对值之和L2范数: 指向量各元素的平方和然后求平方...
向量范数和矩阵范数
zht的专栏
02-07 2583
作者：魏通 链接：https://www.zhihu.com/question/20473040/answer/102907063 来源：知乎 以下分别列举常用的向量范数和矩阵范数的定义。 向量范数 1-范数： ，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。 2-范数： ，Euclid范数（欧几里得范数，常用计算向量长度），即向量元素绝对值的
线性代数——范数
qq_38021750的博客
04-11 1049
范数范数$L^2$范数$L^1$范数$L^0$范数$L^\infty$范数 范数 机器学习中，经常使用范数来衡量向量的大小，直观上向量 x\bm xx 的范数衡量从原点到点 x\bm xx 的距离，LpL^pLp 范数的定义如下： ∣∣x∣∣p=(∑i∣xi∣p)1p ||\bm{x}||_p=(\sum_i |x_i|^p)^{\frac{1}{p}} ∣∣x∣∣p​=(i∑​∣xi​∣p)p1...
线性代数-范数
小猿取经
03-06 709
文章目录范数Lp范数L0范数L1范数L2范数L∞范数 范数 Lp范数   ppp是一个变量，度量的是一组范数 ∣∣x∣∣p=∑i=1nxipp,x=x1,x2,…,xn ||x||_p = \sqrt[p]{\sum_{i=1}^nx_i^p},\quad x={x_1,x_2,\ldots,x_n} ∣∣x∣∣p​=pi=1∑n​xip​​,x=x1​,x2​,…,xn​ L0范数   度量非零...
Chapter01_线性代数1
08-03
线性代数是现代数学和计算科学中的基石，特别是在计算机科学和信息技术领域，尤其是在机器学习和深度学习中扮演着至关重要的角色。以下是一些关键概念的详细解释： 1. **标量(Scaler)**：最简单的数学对象，只是一...
深度学习代码实战——线性代数
12-22
在深度学习领域，线性代数是不可或缺的基础知识，它为理解和实现复杂的机器学习模型提供了数学工具。本文将通过Python的numpy库来介绍并实践线性代数的一些基本概念。 首先，我们来看线性代数中的基本元素：标量、...
【线性代数与矩阵论】范数理论
lafea的博客
01-21 1507
2023年11月16日向量的长度也称为向量的二范数定义 设 ∣∣⋅∣∣{|| \cdot ||}∣∣⋅∣∣ 是 Cn{ \mathbb C^n }Cn 上的一个泛函，满足则称 ∣∣⋅∣∣{|| \cdot ||}∣∣⋅∣∣ 是 Cn{ \mathbb C^n}Cn 上的一个向量范数。定理 对任意 x,y∈Cn{x,y\in \mathbb C^n}x,y∈Cn ，有设 x∈Cn{x\in \mathbb C^n}x∈Cn ，定义​ 长度，欧几里得空间中的距离。 向量的 p{p}p 范数： ∣∣x∣∣p
线性代数---范数
weixin_33906657的博客
01-11 134
2019独角兽企业重金招聘Python工程师标准>>> ...
【深度学习基本】：线性代数(四)_范数
bqw的博客
07-16 1780
一、Lp范数    二、Frobenius范数    三、Python 1.Numpy import numpy as np # 向量 x = np.arange(9) - 4 # 矩阵 A = x.reshape((3, 3)) # L1范数 print(np.linalg.norm(x,1)) # L2范数 print(np.linalg.norm(x,2)) # L正无穷范...
[线性代数] 向量的范数（Norm）
他叫小胖子呐
07-17 2941
[线性代数] 向量的范数（Norm）： ​ 向量范数是向量模（长度）这一概念的推广。向量的L-p范数是一个标量，定义为： ∣∣x∣∣p=(∑i=1n∣xi∣p)1p ||x||_p = (\sum_{i=1}^{n}|x_i|^p)^\frac{1}{p} ∣∣x∣∣p​=(i=1∑n​∣xi​∣p)p1​ ​ P为常数，常用的范数是L1和L2范数。在机器学习中被用作正则化项。 3.1 L1范数： ​ L1范数就是所有分量的绝对值之和，定义为： ∣∣x∣∣1=∑i=1n∣xi∣ ||x||_1 = \s
线性代数常用基本知识 (含向量和矩阵范数<Matrix or vector norm>)
热门推荐
MyArrow的专栏
04-19 1万+
1. 行列式 1.1 二阶行列式 1.2 三阶行列式
线性代数之 向量范数
qq_41035283的博客
11-04 831
概率论之 向量范数前言范数0-范数1-范数2-范数p-范数∞\infin∞-范数−∞-\infin−∞-范数总结 前言 向量范数常用于衡量向量、矩阵的长度以及距离。 范数 对于向量X=[x1,x2,…,xn]X=[x_1,x_2,\dots,x_n]X=[x1​,x2​,…,xn​]而言。 0-范数 ∥X∥0=∑in1∗(xi≠0) \Vert X \Vert_0 = \sum_i^n 1^*(x_i \ne 0) ∥X∥0​=i∑n​1∗(xi​​=0) 1-范数 ∥X∥1=∑in∣xi∣ \Vert
范数（norm）
学习日常记录
07-10 1万+
目录什么是范数（norm）？距离、长度L0范数L1范数L2范数Lp范数L∞范数L_\infty范数L∞​范数 什么是范数（norm）？ 范数(norm)是线性代数中的一个基本概念。在泛函分析中，它定义在赋范线性空间中，并满足一定的条件，即①非负性；②齐次性；③三角不等式，它常常被用来度量某个向量空间（或矩阵）中的每个向量的长度或大小。 划重点： 范数的三个特性（满足条件）：非负性、齐次性、三角不等式。 外文名：normnormnorm 作用：常常被用来度量某个向量空间（或矩阵）中的每个向量的长度或大小。 记
线性代数笔记(7) 向量、矩阵的范数
Cake_C的博客
11-24 1994
向量、矩阵的范数 在向量、矩阵（复数域）上定义一个关于内部各个元素的运算，只要运算满足以下规律就可以成为范数 正定性：||A|| >= 0，且当且仅当为0向量（0矩阵）时取等号 齐次性：||kA|| = |k| · ||A|| ，k为一个复数 三角不等式：||A+B|| <= ||A|| + ||B|| 此外对于方阵还有一个相容性（乘法不等式） 4. 相容性：||AB|| <= ||A||·||B|| 一些常用的向量、矩阵范数 https://blog.csdn.net/zaishui
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值