深度学习中,范数是用来衡量向量大小的,常用来表示损失的距离等等
范数——
L
p
L^p
Lp的定义为
‖
x
‖
p
=
(
∑
i
∣
x
i
∣
p
)
1
p
‖x‖_p = (\sum_{i}^{} {\mid x_i\mid^p})^\frac {1} {p}
‖x‖p=(i∑∣xi∣p)p1
其中
p
∈
R
p\in\mathbb{R}
p∈R,
p
≥
1
p\geq1
p≥1。
即每一个p对应一个范数,其中较常用到的是当p=2时的范数,也称为欧几里得范数,由于较为常见,也经常省略下标2而写作 ‖x‖。L2范数的平方也可使用向量的点积来进行运算。
较常见的还有
L
∞
L^\infty
L∞范数,也称最大范数,表示向量中的最大值的元素的绝对值。
此外Forbenius范数常用来表示矩阵的大小。其定义为: ‖ A ‖ F = ∑ i , j A i , j 2 ‖A‖_F =\sqrt{\sum_{i,j}^{}A^2_{i,j}} ‖A‖F=i,j∑Ai,j2