5、向量与矩阵的计算

1、向量内积：dot

举例：

2、向量范数和矩阵范数:np.linalg.norm

函数参数：

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)

x:可以是矩阵或者向量

ord:确定为何种范数

axis:
axis=1表示按行向量处理，求多个行向量的范数
axis=0表示按列向量处理，求多个列向量的范数
axis=None表示矩阵范数。

keeppdims:是否保持矩阵的二维特性
True表示保持矩阵的二维特性，False相反

ord	矩阵范数	向量范数
None	弗罗贝纽斯范数(Frobenius norm)	2-范数(2-norm)
‘fro’	弗罗贝纽斯范数(Frobenius norm)	-
‘nuc’	核范数(nuclear norm)	-
inf	所有矩阵行向量绝对值之和的最大值 max(sum(abs(x), axis=1))	正无穷范数 max(abs(x))
-inf	所有矩阵行向量绝对值之和的最小值 min(sum(abs(x), axis=1))	负无穷范数 min(abs(x))
0	-	0-范数 sum(x != 0)
1	所有矩阵列向量绝对值之和的最大值 max(sum(abs(x), axis=0))	如下
-1	所有矩阵列向量绝对值之和的最小值 min(sum(abs(x), axis=0))	如下
2	2 -范数	如下
-2	最小奇异值 smallest singular value	如下
other	-	sum(abs(x)ord)(1./ord)

对于“|| ||”符号，可以理解为函数中的f，相当于一种映射，只不过是矩阵通过某种运算映射到数

Frobenius norm:矩阵中所有元素平方和再开根号

nuclear norm：矩阵奇异值的和。什么是奇异值

矩阵2范数：最大的奇异值

向量0范数：计算向量中非零元素的个数

谈下我的理解：

范数可以类似理解为函数，函数是一个数通过某种关系运算对另一个数的映射，而范数是矩阵通过某种运算对一个数的映射，但其中需要满足一些条件，这里不展开。然后这些运算方式会有一个名字，例如1范式，2范式，当别人和你说什么什么范式的时候，你脑子自然而然就会浮现起对应的运算方式。

3、矩阵的乘法：@

举例说明：