一范数L1和二范数L2

范数是具有“长度”概念的函数。在向量空间内，为所有的向量的赋予非零的增长度或者大小。不同的范数，所求的向量的长度或者大小是不同的。
举个例子，2维空间中，向量(3,4)的长度是5，那么5就是这个向量的一个范数的值，更确切的说，是欧式范数或者L2范数的值。

范数就是为了方便度量而定义出的一个概念，主要就是面对复杂空间和多维数组时，选取出一个统一的量化标准，以方便度量和比较。请务必记住，范数是人为定义的一种度量方法。

对于p-范数，如果
x=[$x_1$,$x_2$,…,$x_n$]^T
那么向量x的p-范数就是
$||x|{|}_p$=($|x_1{|}^p$+$|x_2{|}^p$+$|x_3{|}^p$+…+$|x_n{|}^p$)^$\frac{1}{p}$

L1范数：所有元素绝对值的和。
$||x|{|}_1$=$|x_1|$+$|x_2|$+$|x_3|$+…+$|x_n|$
L2范数：所有元素平方和的开方。
$||x|{|}_2$=$\sqrt{|x_1{|}^2+|x_2{|}^2+|x_3{|}^2+...+|x_n{|}^2}$

特别的，
L0范数：指向量中非零元素的个数。
无穷范数：指向量中所有元素的最大绝对值。

L2范数的好处是什么呢？这里也扯上两点：
1）学习理论的角度：
从学习理论的角度来说，L2范数可以防止过拟合，提升模型的泛化能力。
2）优化计算的角度：
从优化或者数值计算的角度来说，L2范数有助于处理 condition number不好的情况下矩阵求逆很困难的问题。（这个不明白）
L1范数与L2范数的区别
机器学习中L1 L2正则化项(范式，惩罚项)