np.linalg.norm(求范数)

版权提示：转自np.linalg.norm(求范数)
np.linalg.norm(求范数)

1、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）

• ②ord：范数类型

向量的范数：
矩阵的范数：

$ord=1$：列和的最大值
$ord=2$：$|\lambda E-ATA|=0$，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)
$ord=\infty$：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

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""                  
*  * *** *  * *  *      
*  *  *   **  *  *             
****  *   **  *  *                 
*  *  *   **  *  *         
*  * **  *  * ****  

@File     :study/7-求范数.py  
@Date     :2020/12/9 上午7:43
@Require  :   
@Author   :hjxu2016， https://blog.csdn.net/hjxu2016/
@Funtion  :np.linalg.norm,求矩阵的范数
"""
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：

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)： 8.831760866327848
矩阵整体元素平方和开根号，保留矩阵二维特性： [[8.83176087]]
矩阵每个行向量求向量的2范数： [[5.        ]
 [7.28010989]]
矩阵每个列向量求向量的2范数： [[1.         6.70820393 5.65685425]]
矩阵1范数： [[9.]]
矩阵2范数： [[8.70457079]]
矩阵∞范数： [[11.]]
矩阵每个行向量求向量的1范数： [[ 7.]
 [11.]]

4、总结

①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）

②向量的三种范数求法
转自
https://blog.csdn.net/hqh131360239/article/details/79061535