向量范数的理解

范数的公式

机器学习中经常会看到这个词，按照自己的理解做一下总结，范数大可理解为距离的计算。范数是来衡量向量与原点的远近。下面是几个范数的计算公式，我们先看公式，不要惧怕公式，然后再解释公式的内在含义：

1-范数

2-范数

p-范数

+无穷-范数

-无穷-范数

由上面的数学表达式，我们可以归纳一下：除了两个无穷范数以外，剩下的范数都是一个规律，即n范数就是一堆数字的绝对值n次方之和再开个n次方的根号；或者说，n范数就是一堆数字的绝对值n次方之和的n次方根。这是从计算方法层面上的认知。

范数公式的理解

通过上面的观察可知，范数首先是一个函数。其次，范数表征了距离这个物理量，可以用于比较不同的向量。
例如：比较各个维度向量大小
在一维情况下，有两个数 3, 4 4>3
在二维情况下，有两个向量 （2,5），（3,4）比较这两个向量的大小，就是计算离原点的距离，这个距离可以表示向量的长度，根据长度进行比较。使用到的就是上面的2-范数公式计算，$\sqrt{2^2+5^2}$=$\sqrt{29}$,$\sqrt{3^2+4^2}$=$\sqrt{25}$，所以向量（2,5） > （3,4）

在三维情况下，有两个向量（3,4,5），（5,6,7）求距离，使用到的也是上面的2-范数
$\sqrt{3^2+4^2+5^2}$=$\sqrt{50}$,$\sqrt{5^2+6^2+7^2}$=$\sqrt{110}$

在更多维的情况下，可能不能直观的通过画图来观察"距离"，但实际的含义基本一致。
例如五维的计算比较

距离的计算相当于

所以，当我们想求一个向量的长度或者两点间的距离时，两个向量间的距离的计算，就是把原点替换成另外一个向量，用2-范数。

python库的使用

# 计算向量x的模
import numpy as np

x = np.array([3, 4, 5])
# norm函数默认就是求2-范数。
print(np.linalg.norm(x))  
# 如果要指定其他的范式，需要显示的传入ord=2
print(np.linalg.norm(x, ord=2))