L2归一化

1. 为什么要进行L2归一化：

       L2归一化可以将向量的模长缩放到相同的大小，即转换为在单位球面上的向量，这样每个向量在距离度量中的作用是相等的，，使得不同向量更具有可比性！向量之间更容易比较和匹配。

例子：

        假设有两张图片，一张是红色的苹果，另一张是绿色的苹果。如果不对描述符（向量）进行归一化，两张图片中对应苹果的描述符之间的欧几里得距离可能会很大，导致它们被错误地认为是不同的物体。通过进行归一化，可以将描述符投影到单位球上，使得它们的长度都相同，从而避免了这种问题。在这个例子中，对应红色苹果和绿色苹果的描述符会更加接 近，因为它们都表示苹果这一共同特征。

2. 如何进行L2归一化:

        将每个向量除以其L2范数：

范数：在数学中是一个用来衡量向量大小的函数，通常表示为，其中x是一个向量。

范数的定义方式有很多，但最常用的是欧几里得范数（L2范数）和曼哈顿范数（L1范数）。

L2范数：向量中每个元素的平方和的平方根，即∥x∥₂=√(x₁²+x₂²+...+xᵢ²)，其中i表示向量的维数。 

L1范数：向量中每个元素的绝对值之和，即∥x∥₁=|x₁|+|x₂|+...+|xᵢ|。

         

       在机器学习和数据处理中，通常会使用范数对数据进行归一化，以便不同的特征或样本在量级上具有可比性，并且可以避免特征之间的权重差异过大对结果造成影响。