范数的知识点总结---0 1 2

最新推荐文章于 2024-09-22 15:02:57 发布

卑微小亮

最新推荐文章于 2024-09-22 15:02:57 发布

阅读量4.7k

点赞数 3

分类专栏： Matlab使用文章标签：深度学习机器学习 frobenius范数

本文链接：https://blog.csdn.net/enjoy324/article/details/109520117

版权

Matlab使用专栏收录该内容

6 篇文章 1 订阅

订阅专栏

范数

1. 引入范数

我们很容易比较两个数的大小， 2< 3 , 4<9。
但是如果想比较的是向量怎么比较呢？例如（0，0，7，8）和（1，2，3，4）谁的长度大？
其实这个问题很不严谨，因为我们现在还没有定义什么是这两个向量的长度。所以引入范数概念
现在，我们可以简单理解范数的意义就是，衡量一个多维向量的长度。范数越大，向量的长度也就越大

2.常用的范数

注意：向量的2范数即为向量的F范数，是一个概念；矩阵的2范数跟矩阵的F范数不是一个概念，矩阵A的2范数等于A的最大奇异值，矩阵的F范数等于该矩阵所有非零奇异值平方和的正平方根。（PS:严格来说不存在"矩阵的2范数"这种叫法，准确的来说应该叫"矩阵的诱导L2范数或谱范数"）
0范数表示向量中非零元素的个数（即为其稀疏度）
在这里插入图片描述

L_（2，1）范数：
应用L_2，1）范数的目的是使矩阵行稀疏。 L_(2，1）范数是对矩阵每行的L2范数进行求和。最小化矩阵的L_（2,1）范数的含义是希望每一行的L2 范数尽可能小。L（2，1）
范数是行内进行L2 范数约束，行间进行L 1范数约束。最小化矩阵的L2,1范数是希望矩阵每行之和的值是稀疏的，大部分为零。但是行内是L2 范数约束，如果这一行的和不是零，那么行内的值是稠密的。这样最小化矩阵的L2,1范数的优化问题能够达到行稀疏的目的。

上文贴了常见的范数以及matlab的调用函数那么，这么多范数到底用来干什么的呢？
L0范数 是指向量中非0的元素的个数。如果我们用L0范数来规则化一个参数矩阵W的话，
就是希望W的大部分元素都是0。
但是在大多数文章中都用的是L1来约束稀疏这是怎么一回事呢？
L1范数是指向量中各个元素绝对值之和，也有个美称叫"稀疏规则算子"（Lasso regularization）。
L0范数很难优化求解（NP难问题），L1范数是L0范数的最优凸近似，而且它比L0范数要容易优化求解。所以大家才把目光和万千宠爱转于L1范数。
来个一句话总结：L1范数和L0范数可以实现稀疏，L1因具有比L0更好的优化求解特性而被广泛应用。
L2范数
||W||2。它也不逊于L1范数，它有两个美称，在回归里面，有人把有它的回归叫"岭回归"（Ridge Regression），有人也叫它"权值衰减weight decay"。
因为它的强大功效是改善机器学习里面一个非常重要的问题：过拟合
L2范数是指向量各元素的平方和然后求平方根。我们让L2范数的规则项||W||2最小，可以使得W的每个元素都很小，都接近于0，但与L1范数不同，它不会让它等于0，而是接近于0，这里是有很大的区别的哦。而越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象。
一句话总结下：通过L2范数，我们可以实现了对模型空间的限制，从而在一定程度上避免了过拟合。
核范数||W||*是指矩阵奇异值的和，英文称呼叫Nuclear Norm。这个相对于上面火热的L1和L2来说，可能大家就会陌生点。那它是干嘛用的呢？霸气登场：约束Low-Rank（低秩）。OK，OK，那我们得知道Low-Rank是啥？用来干啥的？