1,向量的模和范数的计算结果都是一个实数,这个数字对应着单个向量的长度或者两个向量之间的距离。
2,在空间几何中(经常是2或3维空间),常用模来表示向量的长度或两个向量间的距离,符号为|| x ⃗ \vec{x} x||。
例子:
在二维空间中有两个向量:
x
⃗
=
(
1
,
2
)
,
y
⃗
=
(
2
,
3
)
\vec{x}=(1,2),\vec{y}=(2,3)
x=(1,2),y=(2,3),
则
x
⃗
的
长
度
为
∣
∣
x
⃗
∣
∣
=
1
2
+
2
2
\vec{x}的长度为||\vec{x}||=\sqrt{1^2+2^2}
x的长度为∣∣x∣∣=12+22,
则
x
⃗
和
y
⃗
之
间
的
距
离
为
∣
∣
x
⃗
−
y
⃗
∣
∣
=
(
1
−
2
)
2
+
(
2
−
3
)
2
\vec{x}和\vec{y}之间的距离为||\vec{x}-\vec{y}||=\sqrt{(1-2)^2+(2-3)^2}
x和y之间的距离为∣∣x−y∣∣=(1−2)2+(2−3)2。
3,在线性代数中,常用范数这个概念。对于1维空间的实数集,标准的范数就是绝对值,将绝对值的概念推广到多维空间就叫做范数。
4,范数的定义:
A norm is any function g that maps vectors to real numbers that satis es the following conditions:
1, Non-negativity: for all
x
⃗
∈
R
D
,
g
(
x
⃗
)
>
=
0
;
\vec{x} \in R^D, g(\vec{x})>=0;
x∈RD,g(x)>=0;
2, Strictly positive: for all
x
⃗
,
g
(
x
⃗
)
=
0
\vec{x}, g(\vec{x})=0
x,g(x)=0 implies that
x
⃗
=
0
\vec{x}=0
x=0;
3, Homogeneity: for all
x
⃗
\vec{x}
x and a,
g
(
a
x
⃗
)
=
∣
a
∣
g
(
x
⃗
)
,
g(a\vec{x})=|a|g(\vec{x}),
g(ax)=∣a∣g(x), where |a| is the absolute value;
4, Triangle inequality: for all
x
⃗
,
y
⃗
,
g
(
x
⃗
,
y
⃗
)
<
=
g
(
x
⃗
)
+
g
(
y
⃗
)
\vec{x}, \vec{y}, g(\vec{x}, \vec{y})<=g(\vec{x})+g(\vec{y})
x,y,g(x,y)<=g(x)+g(y).
5,ell-p norm ( ℓ p \ell_p ℓp)
这是一类特殊的范数家族,读作“little ell p 范数”。
定义如下:
Let
p
p
p be in the range
[
0
,
∞
]
[0, \infin]
[0,∞]; then the
ℓ
p
\ell_p
ℓp norm of x, denoted by
∣
∣
x
⃗
∣
∣
p
||\vec{x}||_p
∣∣x∣∣p, is de ned by:
∣ ∣ x ⃗ ∣ ∣ p = ( ∑ d = 1 D ∣ x d ∣ p ) 1 p ||\vec{x}||_p=(\sum_{d=1}^{D}|x_{d}|^p)^\frac{1}{p} ∣∣x∣∣p=(∑d=1D∣xd∣p)p1
6,由 ℓ p \ell_p ℓp范数家族衍生出来的特殊范数
1,欧式范数(Euclidean norm):
g
(
x
)
=
∑
d
=
1
D
x
d
2
g(x)=\sqrt{\sum_{d=1}^{D} x_d^2}
g(x)=∑d=1Dxd2
(对应着
ℓ
2
范
数
\ell_2范数
ℓ2范数)
2,曼哈顿范数(Manhattan norm):
g
(
x
)
=
∑
d
=
1
D
∣
x
d
∣
g(x)=\sum_{d=1}^{D} |x_d|
g(x)=∑d=1D∣xd∣
(对应着
ℓ
1
范
数
\ell_1范数
ℓ1范数)
3,最大值范数(Maximum norm):
g
(
x
)
=
m
a
x
d
∣
x
d
∣
g(x)=max_d|x_d|
g(x)=maxd∣xd∣
(对应着
ℓ
∞
范
数
\ell_\infin范数
ℓ∞范数)
4,0范数(Zero norm):
g
(
x
)
=
∑
d
=
1
D
1
[
x
d
不
等
于
0
]
g(x)=\sum_{d=1}^{D}1[x_d不等于0]
g(x)=∑d=1D1[xd不等于0]
(对应着
ℓ
0
范
数
\ell_0范数
ℓ0范数)