L1范数，L1损失，还有MAE损失的区别

1.范数

用来衡量一个向量的大小，例如向量$x$，${\parallel x\parallel }_p=({\sum }_i^n|x_i{|}^p{)}^{\frac{1}{p}}$。
该公式可以解释为：向量中的各个元素的绝对值的$p$次方之和的$\frac{1}{p}$次方。
再直观点：该$x$范数（${\parallel x\parallel }_p$）衡量从原点到点$x$的距离。
-----范数满足的性质，以及$p$取值不同，叫什么名字（比如$p=2$叫欧氏距离，也叫$L_2$范数），这里就不再细说。可以参考链接：什么叫范数

2.损失

主要说一下$L_1$损失和平均绝对误差（MAE）损失的区别。（如有不对，请指出）
------ 至于$L2$损失、MSE，有了这之前的区别，就方便理解了。

2.1 $L_1$损失

$L_{1}loss$，也被称为最小绝对值偏差（LAD），最小绝对值误差（LAE）。
总的说来，它是把目标值（${\hat{y}}_i$)与估计值（$y_i$)的绝对差值的总和（$S$)最小化，也叫真实值与预测值绝对差值的之和。
$L_1({\hat{y}}_i,y)={\sum }_{i=0}^n|y_i-{\hat{y}}_i|$
-----公式中$y_i$表示一个向量$Y$的任意元素，$i$相当于索引。

2.2 $MAE$

平均绝对误差(MAE)是另一种常用的回归损失函数，它是目标值与预测值之差绝对值的和，表示了预测值的平均误差幅度，而不需要考虑误差的方向，范围是$0\sim \infty$，其公式如下所示∶
$MAE=\frac{{\sum }_{i=1}^n|y_i-{\hat{y}}_i|}{n}$

2.3 两者区别

其实，公式就说明了问题。具体在跑模型的时候，可以自己换这两个损失试试。
-------参考连接：L1、L2、smooth L1三类损失函数

3. $L_1、L_2$正则化

因为在机器学习中经常用到，这里做个简单的介绍：
叫做罚项，是为了限制模型的参数，防止模型过拟合而加在损失函数后面的一项。
-------在损失后面加的$L_1$范数（通常写做$+\lambda {\sum }_i^n|x_i|$），就叫做$L_1$正则化
-------在损失后面加的$L_2$范数（通常写做$+\lambda {\sum }_i^n|x_i{|}^2$），就叫做$L_2$正则化
具体可以参考链接：L1和L2详解(范数、损失函数、正则化)

或者正则化项L1和L2的区别