范数
范数(Norm)是数学中的一种基本概念,在泛函分析中,范数是一种定义在赋范线性空间中的函数,满足相应条件后的函数都可以被称为范数,其中包括向量范数和矩阵范数。
1、向量范数
在泛函分析中,向量范数是衡量向量大小的一种度量方式。在形式上,向量范数是一个定义域为任何线性空间向量的函数,它把一个向量 X 映射为一个非负实数值R,即满足f:V —> R。
从几何角度来说,向量 X 的范数是度量从原点 O 到点 X 的距离,从广义的角度来说。对于任意一个函数f:V —> R,f只要同时满足以下条件可以称为范数。
(1)、非负性:f(x) <=0,当且 f(x)=0 时,必有 x=0;
(2)、三角不等式性:f(x+y) <= f(x)+f(y);
(3)、齐次性:存在任意 x 属于 R^n,使得 f(ax) = |a|*f(x)。
注:机器学习模型优化时,常用范数来实行正则化,用来衡量模型的复杂度,其中最常用的就是P范数。
P范数:
|
1 范数(绝对值范数):
|
2 范数(欧几里德范数 or 模长):
|
∞ 范数(最大范数):
|
图片来自网络:http://www.mamicode.com/info-detail-2548410.html
2、矩阵范数
定义:对于任何一个函数 f:A—>R,函数只要同时满足以下的 4个条件,则可以称为矩阵范数:
(1)、非负性:f(A) <=0,当且 f(A)=0 时,必有 A=0;
(2)、三角不等式性:f(A+B) <= f(A)+f(B);
(3)、齐次性:存在任意 A 属于 R^n,使得 f(aA) = |a|*f(A);
(4)、矩阵乘法的相容性:对于任意 2 个可乘的矩阵 A 和 B,满足 f(AB) <= f(A) x f(B)。
1 范数(最大范数):
|
2 范数(最大范数):
|
∞ 范数(最大范数):
|
Frobenious 范数(F范数):
|
注:很多模型优化问题,如 PCA,自编码器等都能转化为 F 范数的最优化问题。
参考:
[1].深入浅出深度学习——原理剖析于Python实践,黄安阜
[2].机器学习,周志华
[3].统计学习方法,李航