前言
本文总结描述了几种常见的向量范数和矩阵,利用 Numpy 中的计算函数加以实现。
环境
- Windows 10
- Python 3.7.0
- Numpy 1.18.1
常见范数
向量范数
条目 | 数学表达式 | 描述 | “距离”类型 |
---|---|---|---|
0 范数 | ∥ x ∥ 0 = # ( i ∣ x i ≠ 0 ) \| \mathbf{x} \|_{0} = \# (i \mid x_i \not = 0) ∥x∥0=#(i∣xi=0) | 非零向量元素个数之和 | x 到零点的 汉明距离 |
1 范数 | ∥ x ∥ 1 = ∑ i ∣ x i ∣ \| \mathbf{x} \|_{1} = \sum_i \mid x_i \mid ∥x∥1=∑i∣xi∣ | 向量元素绝对值之和 | x 到零点的 曼哈顿距离 |
2 范数 | ∥ x ∥ 2 = ∑ i x i 2 \| \mathbf{x} \|_{2} = \sqrt{\sum_i x_i^{2}} ∥x∥2=∑ixi2 | 向量元素绝对值的平方和再开方 | x 到零点的 欧氏距离 |
p p p 范数 | ∥ x ∥ p = ∑ i x i p p \| \mathbf{x} \|_{p} = \sqrt[p]{\sum_i x_i^{p}} ∥x∥p |