范数
向量范数
1-范数
∣ ∣ x ∣ ∣ 1 = ∑ i = 1 N ∣ x i ∣ ||x||_1 = \sum_{i=1}^{N}|x_i| ∣∣x∣∣1=∑i=1N∣xi∣,即向量所有元素绝对值的和
2-范数
$||x||2 = \sqrt{\sum{i=1}{N}x_i2} $,即向量所有元素平方之和再开根号
∞ \infty ∞-范数
∣ ∣ x ∣ ∣ ∞ = max i ∣ x i ∣ ||x||_{\infty} = \max_i|x_i| ∣∣x∣∣∞=maxi∣xi∣,即向量x所有元素中绝对值最大的那个
− ∞ -\infty −∞-范数
∣ ∣ x ∣ ∣ − ∞ = min i ∣ x i ∣ ||x||_{-\infty} = \min_i|x_i| ∣∣x∣∣−∞=mini∣xi∣,即向量x所有元素中绝对值最小的那个
p-范数
∣ ∣ x ∣ ∣ p = ( ∑ i = 1 N ∣ x i ∣ p ) 1 p ||x||_p = (\sum_{i=1}^N{|x_i|^p})^{\frac{1}{p}} ∣∣x∣∣p=(∑i=1N∣xi∣p)p1,即向量x所有元素的绝对值的p次方之和再开p次方
矩阵范数
1-范数
∣ ∣ A ∣ ∣ 1 = max j ∑ i = 1 N ∣ a i , j ∣ ||A||_1 = \max_j{\sum_{i=1}^N{|a_{i,j}|}} ∣∣A∣∣1=maxj∑i=1N∣ai,j∣,列和范数,即所有矩阵列向量绝对值之和的最大值。
2-范数
∣ ∣ A ∣ ∣ 1 = λ , λ 为 A T A ||A||_1 = \sqrt{\lambda},\lambda为A^TA ∣∣A∣∣1=λ,λ为ATA的最大特征值,谱范数,即A`A矩阵的最大特征值开平方。
∞ \infty ∞-范数
∣ ∣ A ∣ ∣ 1 = max i ∑ j = 1 N ∣ a i , j ∣ ||A||_1 = \max_i{\sum_{j=1}^N{|a_{i,j}|}} ∣∣A∣∣1=maxi∑j=1N∣ai,j∣,行和范数,即所有矩阵行向量绝对值之和的最大值。
F-范数
∣
∣
A
∣
∣
1
=
∑
i
=
1
m
∑
j
=
1
m
∣
a
i
,
j
∣
2
||A||_1 = \sqrt{\sum_{i=1}^m \sum_{j=1}^m |a_{i,j}|^2}
∣∣A∣∣1=∑i=1m∑j=1m∣ai,j∣2,Frobenius范数,即矩阵元素绝对值的平方和再开平方。
参考链接:
https://www.zhihu.com/question/20473040/answer/102907063