范数

引用

在神经网络出现overfit的时候,通常采用regularization的方式来解决过拟合,包括:

  1. L1/L2正则化
  2. Dropout正则化

在L1/L2正则化中分别用到了L1范数和L2范数,本篇我们对常见的向量范数和矩阵范数进行总结。


1. 向量范数

对于向量 [公式] ,常用的范数包括

1-范数

[公式] ,即向量元素绝对值之和,x 到零点的曼哈顿距离

2-范数

[公式] ,2-范数也称为Euclid范数(欧几里得范数,常用计算向量长度),即向量元素绝对值的平方和再开方,表示x到零点的欧式距离

p-范数

[公式] ,即向量元素绝对值的p次方和的1/p次幂,表示x到零点的p阶闵氏距离。

[公式] -范数

[公式] ,当p趋向于正无穷时,即所有向量元素绝对值中的最大值

[公式] -范数

[公式] ,当p趋向于负无穷时,即所有向量元素绝对值中的最小值

0-范数

零范数即是当p趋于零,可以证明这时候的极限[公式]恰好是向量[公式]非零元素的个数。


2. 矩阵范数

对于矩阵 [公式]

1-范数

[公式] ,列和范数,即所有矩阵列向量绝对值之和的最大值

2-范数

[公式][公式] 表示 [公式] 的最大特征值,称为谱范数

[公式] -范数

[公式] ,称为行和范数,即所有矩阵行向量绝对值之和的最大值

F-范数

[公式] ,称为Frobenius范数,即矩阵元素绝对值的平方和再开平方


  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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