线型代数 矩阵论初步入门

范数 $\Vert \cdot \Vert$

范数定义了向量在空间中的距离，使向量之间的能够比较。 其最直观的一种理解为，将组成向量的实数列表映射为一个实数。
范数是一个函数，其表示方法为$\Vert x\Vert$

范数的定义如下：

设$V$是数域$\text{p}$上的线型空间，$\Vert x\Vert$是以$V$中的向量$x$为自变量的非负实值函数$\text{f(x)}=\Vert x\Vert$满足：

1. 正定性：当$x\ne 0$时，$\Vert x\Vert >0$，当$x=0时$，$\Vert x\Vert =0$；
2. 齐次性：对任意$k\in \text{P},x\in V$，有$\Vert kx\Vert =\left|k\right|\Vert x\Vert$；
3. 三角不等式：对任意$x,y\in V$，有$\Vert x+y\Vert ⩽\Vert x\Vert +\Vert y\Vert$

则称$\Vert x\Vert$为向量$x$的范数，并称定义了范数的线性空间为赋范线性空间。

常用的范数有L1范数（${\Vert x\Vert }_1$）和L2范数（${\Vert x\Vert }_2$）两种：

1. L1范数 ${\Vert x\Vert }_1$
   L1范数，也被称为哈曼顿距离：一个向量中所有元素的绝对值之和。
   $${\Vert x\Vert }_1=\sum \left|x_i\right|$$
2. L2范数 ${\Vert x\Vert }_2$
   L2范数，也被称为欧几里得范数：一个向量中所有元素取平方和后再开平方。
   $${\Vert x\Vert }_2=\sqrt{\sum _i{x}_i^2}$$