1范数小于等于根号n倍的2范数

最新推荐文章于 2025-06-24 19:49:36 发布
原创 最新推荐文章于 2025-06-24 19:49:36 发布 · 7.9k 阅读 · 23 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博客主要围绕1范数小于等于根号n倍的2范数展开，给出了不等式 ∥x∥1⩽√n⋅∥x∥2 ，并通过令n维向量α=(1,1,⋯,1)T、β=(∣a1∣,∣a2∣,⋯,∣an∣)T，利用内积的柯西不等式进行证明。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1范数小于等于根号n倍的2范数

∥x∥1⩽n⋅∥x∥2\left\|x\right\|_1\leqslant\sqrt{n}\cdot\left\|x\right\|_2∥x∥1​⩽n​⋅∥x∥2​
证明：
上式即为：
∑i=1n∣ai∣⩽n∑i=1n∣ai∣2\sum^n_{i=1}|a_i|\leqslant\sqrt{n\sum^n_{i=1}|a_i|^2}i=1∑n​∣ai​∣⩽ni=1∑n​∣ai​∣2​
令n维向量α=(1,1,⋯ ,1)Tβ=(∣a1∣,∣a2∣,⋯ ,∣an∣)T\alpha=(1,1,\cdots,1)^T\quad\beta=(|a_1|,|a_2|,\cdots,|a_n|)^Tα=(1,1,⋯,1)Tβ=(∣a1​∣,∣a2​∣,⋯,∣an​∣)T
由内积的柯西不等式：
∣(α,β)∣⩽∣α∣⋅∣β∣|(\alpha,\beta)|\leqslant|\alpha|\cdot|\beta|∣(α,β)∣⩽∣α∣⋅∣β∣
其中：
(α,β)=∑i=1n∣ai∣(\alpha,\beta)=\sum^n_{i=1}|a_i|(α,β)=i=1∑n​∣ai​∣
∣α∣=(α,α)=n|\alpha|=\sqrt{(\alpha,\alpha)}=\sqrt{n}∣α∣=(α,α)​=n​
∣β∣=(β,β)=∑i=1n∣ai∣2|\beta|=\sqrt{(\beta,\beta)}=\sqrt{\sum^n_{i=1}|a_i|^2}∣β∣=(β,β)​=i=1∑n​∣ai​∣2​

常用向量范数总结
爱学习的大白菜的博客
02-13 1244
若有一个向量 a = [-5, 6, 8, -10]。 则， L0L_0L0​范数为向量中非0元素的个数，则∣∣a∣∣0=4||a||_0=4∣∣a∣∣0​=4 。 L1L_1L1​范数为向量中每个元素绝对值之和，即∣∣a∣∣1=∑i=1i=n∣ai∣||a||_1=\sum_{i=1}^{i=n}|a_i|∣∣a∣∣1​=∑i=1i=n​∣ai​∣，则∣∣a∣∣1=29||a||_1=29∣∣a∣∣1​=29。 L2L_2L2​范数为向量中每个元素绝对值的平方之和再开方。即∣∣a2∣∣=∑i=1i=n∣
向量范数证明例题_第八课：向量的范数
weixin_35876299的博客
12-31 2268
写在前面的话：很高兴能够认识饭卡里还有好多钱这位土豪大佬。向大佬学习，为成为一名真正的段子手+逗比而奋斗。范数的概念向量的范数是一种用来刻画向量大小的一种度量。实数的绝对值，复数的模，三维空间向量的长度，都是抽象范数概念的原型。上述三个对象统一记为 ，衡量它们大小的量记为 (我们用单竖线表示绝对值，双竖线表示范数)，显然它们满足以下三条性质：这也是范数的定义，满足上述三条性质的映射我们称之为范数...
2-范数、1-范数、···
weixin_34380948的博客
03-15 7666
转载于:https://www.cnblogs.com/htj10/p/8574447.html
一范数L1和二范数L2
HY的博客
04-28 3775
范数是具有“长度”概念的函数。在向量空间内，为所有的向量的赋予非零的增长度或者大小。不同的范数，所求的向量的长度或者大小是不同的。 举个例子，2维空间中，向量(3,4)的长度是5，那么5就是这个向量的一个范数的值，更确切的说，是欧式范数或者L2范数的值。 范数就是为了方便度量而定义出的一个概念，主要就是面对复杂空间和多维数组时，选取出一个统一的量化标准，以方便度量和比较。请务必记住，范数是人为定义的一种度量方法。 对于p-范数，如果 x=[x1x_1x1​,x2x_2x2​,…,xnx_nxn​]^T 那么
向量范数和矩阵范数（理论推导+快速记忆1、2、∞范数）
skywf的博客
03-05 1万+
向量范数和矩阵范数 研究意义：为了研究解的误差分析和迭代法的收敛性 什么是向量范数？ 说到底，向量范数就是一种函数f(x)，目的就是把一个向量和一个数值进行映射 由于平时你根本不会用这些东西来进行设计，所以下面给出 几个经典的向量范数的例子。 向量的1范数：向量的各个元素的绝对值之和 向量的2范数即：向量的每个元素的平方和再开平方根（像不像柯西不等式？） 向量的正无穷范数即：向量的所有元素的绝对...
向量与矩阵的范数（比较1-范数、2-范数、无穷范数、p-范数、L0范数 和 L1范数等）
cokezkx的博客
02-29 1991
阅读文献时，经常看到各种范数，机器学习中的稀疏模型等，也有各种范数，其名称往往容易混淆，例如：L1范数也常称为“1-范数”，但又和真正的1-范数又有很大区别。下面将依次介绍各种范数。 1、向量的范数 向量的1-范数： ; 各个元素的绝对值之和； 向量的2-范数：；每个元素的平方和再开平方根； 向量的无穷范数： p-范数：，其中正整数p≥1，并且有 例：向量X=[2, 3, -5, -7] ，求向...
向量和矩阵的各种范数比较（1范数、2范数、无穷范数等等）
惊鸿一博
09-08 2万+
向量和矩阵的各种范数比较（1范数、2范数、无穷范数等等）
范数的理解
WangKingJ的博客
11-14 3615
在看图卷积的时候，碰到了范数的问题(其实之前也遇到过，但是没有仔细的整理，主要是懒)，然后，这次决定查阅一波资料整理一下。 1.向量的范数 向量的1-范数： ∣∣X∣∣1=∑i=0n∣xi∣||X||_1 = \sum_{i=0}^n |x_i|∣∣X∣∣1​=i=0∑n​∣xi​∣它表示的就是各个元素的绝对值之和。 向量的2-范数： ∣∣X∣∣2=(∑i=0nxi2)1/2=∑i=1nxi2|...
python数学计算程序带根号复杂计算_用Python做数学计算之基础计算
weixin_39622217的博客
12-16 2528
摘要(Abstract)本文介绍使用Python来做数学计算，在学习和工作中，经常会遇到一些数学计算的问题。一般人会使用计算器软件，不得不说，计算器太难用了。专业人士可能会使用更强大的工具，如Matlab，但这种重量级工具有时可能并不适用。本文打算使用一个轻量级的工具Python来做计算。准确来说Python并不是一个数学工具，而是一种编程语言。Python提供了很多数学库，利用Python和这些...
线性代数——补充7—矩阵的范数
最新发布
Rhett_Butler0922的博客
06-24 242
一个函数∥⋅∥Cm×n→R∥⋅∥Cm×n→R被称为一个矩阵范数，如果它满足以下四个条件（对于任意矩阵AB∈Cm×nAB∈Cm×n和任意标量k∈Ck∈C∥A∥≥0∥A∥≥0，且∥A∥0\|A\| = 0∥A∥0当且仅当AAA是零矩阵。
1范数、2范数、无穷范数
Amyon_的博客
10-30 4820
转载自
范数的知识点总结---0 1 2
Enjoy324的博客
11-05 4962
范数 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
向量和矩阵的 1范数、2范数
wmz13248的博客
12-25 2万+
1.向量的范数：0范数，向量中非零元素的个数。 1范数，为绝对值之和。 2范数，就是通常意义上的模。  无穷范数，就是取向量的最大值。 但是向量的范数和矩阵的范数关系不大，百度了好久也没看到狠心的东西，下面我来总结一下： 矩阵的范数：（是矩阵之间距离度量的方法） 矩阵的1范数（norm(A,1)）：在矩阵的各个列中，指绝对值之和最大的那个列（的绝对值之和），举例子一目了然： A=[0 1 0;1 0 0;-1 0 0] A = 0 ...
范数
jmhIcoding
10-11 2303
在机器学习领域中，有时我们需要衡量一个向量的长度或大小。此时我们经常使用成为范数的函数来衡量向量的大小。 范数本质上是一类映射关系，将向量空间的所有向量映射到非负实数域上。这个非负的数值可以理解为向量的长度。 范数需要的满足的条件： 1）f(x)=0 <=> x=0，x是零向量 2）f(x)>=0,非负性 3）f(x+y)<=f(x)+f(y) 4) f(ax)=|a|f
L1范数与L2范数的区别与联系
weixin_46010783的博客
08-20 4420
L1范数与L2范数的区别与联系 本文转自添加链接描述，感谢原创作者！ 目录L1范数与L2范数的区别与联系一、过拟合与正则化二、L1范数与L2范数三、从几何角度直观理解L1范数、L2范数参考链接： 一、过拟合与正则化 过拟合指的就是在机器学习模型训练过程中把数据学习的太彻底，以至于把噪声数据的特征也学习到了，这样会导致在测试的时候不能够很好地识别数据，即不能正确的分类，模型测试的时候不能够很好地识别数据，即不能正确的分类，模型泛化能力较差,也就是高方差(variance)，低偏差（bias）。例如： 　　 正
矩阵理论复习（五）
Caramel_biscuit的博客
12-11 6845
Hermite矩阵酉相似于对角阵 验证相容矩阵范数 盖尔圆盘互不相交，则特征值都不相同，若盖尔圆盘全部出现在右半复平面上，则特征值全为实数。 矩阵二范数的计算 最大秩分解+M-P广义逆矩阵+方程是否有解 正定矩阵，对任意非零向量X，其正定二次型都大于0 矩阵二范数与特征值之间的转换 AA-为幂等矩阵，幂等矩阵特征值非零即一，A≠0，rank(A)=rank(AA-)≥1，所以AA-特征值必为1 初等酉变换对应的酉矩阵，酉矩阵的算子范数为1 矩阵的特征值小于等于任意相容的矩阵范数 严格对角占优矩阵，A的最
向量范数：1-范数、2-范数、无穷范数；矩阵范数；欧几里得度量
热门推荐
漫步量化
05-05 2万+
欧几里得度量 又称为欧几里得距离，指的是欧几里得空间中两点间“普通”（即直线）距离。使用这个距离，欧氏空间成为度量空间。相关联的范数称为欧几里得范数。较早的文献称之为毕达哥拉斯度量。 在欧几里得空间中，点x=(x1,...,xn)x = (x_1,...,x_n)x=(x1​,...,xn​)和y=(y1,...,yn)y = (y_1,...,y_n)y=(y1​,...,yn​)之间的...
根号N * 2范数大于等于1范数
05-25
对于一个向量 $x=(x_1,x_2,\dots,x_n)$，其 $1$ 范数为 $||x||_1=|x_1|+|x_2|+\dots+|x_n|$，$2$ 范数为 $||x||_2=\sqrt{\sum\limits_{i=1}^n x_i^2}$。 现在要证明 $\sqrt{n}||x||_2 \geq ||x||_1$，即 $\sqrt{n}\sqrt{\sum\limits_{i=1}^n x_i^2} \geq |x_1|+|x_2|+\dots+|x_n|$。 我们可以将 $|x_i|$ 拆分成 $x_i$ 和 $-x_i$，然后将它们分别加起来：$|x_i|=x_i+(-x_i) \geq \frac{1}{\sqrt{n}}x_i+\frac{1}{\sqrt{n}}(-x_i)=\frac{2}{\sqrt{n}}|x_i|$。将其代入原式可得： $$\begin{aligned} \sqrt{n}\sqrt{\sum\limits_{i=1}^n x_i^2} &\geq |x_1|+|x_2|+\dots+|x_n| \\ &\geq \frac{2}{\sqrt{n}}(|x_1|+|x_2|+\dots+|x_n|) \\ &\geq \frac{2}{\sqrt{n}}(\frac{1}{2}|x_1|+\frac{1}{2}|x_2|+\dots+\frac{1}{2}|x_n|) \\ &=\frac{2}{\sqrt{n}}(\frac{|x_1|+|x_2|+\dots+|x_n|}{\sqrt{n}}) \\ &=\frac{2}{\sqrt{n}}||x||_1 \\ \end{aligned}$$ 因此，$\sqrt{n}||x||_2 \geq ||x||_1$。证毕。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值