对偶范数

令 ||·|| 为 ${\mathbb{R}}^n$ 上的范数，定义其对偶范数 $||\cdot |{|}_{\ast }$ 的为： ∣ ∣ z ∣ ∣ ∗ = sup ⁡ { z T x ∣      ∣ ∣ x ∣ ∣ ≤ 1 } . ||z||_* = \sup\{z^Tx|\;\; ||x|| \leq 1\}. ∣∣z∣∣∗​=sup{zTx∣∣∣x∣∣≤1}.上式可以看成如下优化问题的最优值：$$\begin{gathered} {\text{maximize}}_x{z}^{T}x \\ s.t.||x||\le 1 \end{gathered}$$此外，还有一些等价定义：$$||z|{|}_{\ast }=\underset{||x||\le 1}{\sup }{z}^{T}x=\underset{||x||=1}{\sup }{z}^{T}x=\underset{x\ne 0}{\sup }\frac{z^{T}x}{||x||}$$事实上，对偶范数可以解释成 $z^T$ 的算子范数，即 $1\times n$矩阵 $z^T$ 的诱导范数。

由上述定义我们可以得到对所有 x 和 z 都成立的不等式：
$$z^{T}x\le ||x||||z|{|}_{\ast }$$
由霍尔德（Hölder）不等式可以直接得出：$l_p-$范数的对偶范数是$l_q-$范数，其中$\frac{1}{p}+\frac{1}{q}=1$：
$$\begin{gathered} z^{T}x\le ||x|{|}_p||z|{|}_q \\ \Rightarrow ||z|{|}_{\ast }=\underset{x\ne 0}{\sup }\frac{z^{T}x}{||x|{|}_p}=||z|{|}_q \end{gathered}$$

---

由此可以得出一些简单结论：

• $l_2-$范数的对偶范数是$l_2-$范数
• $l_1-$范数的对偶范数是$l_{\infty }-$范数
• 对偶范数的对偶范数是原范数