向量和矩阵的Norm到底在度量什么？不同范数（比如L1、L2、Frobenius）各自有什么实际意义？

### Norm 函数的定义与用途在编程和数据科学领域，`Norm` 是一种用于衡量向量或矩阵大小的标准方法。它通常被用来表示空间中的距离或者误差度量，在机器学习、优化算法以及数据分析中有广泛应用。 #### 向量范数（Vector Norm）对于一个 n 维实数向量 \( \mathbf{x} = [x_1, x_2, ..., x_n]^\top \)，其 p-范数可以定义为： \[ ||\mathbf{x}||_p = (\sum_{i=1}^{n}|x_i|^p)^{1/p}, \quad p \geq 1 \] 其中最常用的几种范数包括： - **L1 范数**：\( ||\mathbf{x}||_1 = \sum_{i=1}^{n}|x_i| \)[^5] - **L2 范数**：\( ||\mathbf{x}||_2 = (\sum_{i=1}^{n}|x_i|^2)^{1/2} \)[^5] - **无穷范数**：\( ||\mathbf{x}||_\infty = max(|x_1|, |x_2|,...,|x_n|) \)[^5] 这些范数分别对应于不同类型的几何距离测量方式，比如曼哈顿距离（L1）、欧几里得距离（L2），以及最大坐标绝对值的距离（无穷范数）。 #### 矩阵范数（Matrix Norm）除了向量之外，还可以计算矩阵的范数值来评估整个线性变换的影响程度。常见的有 Frobenius 范数: \[ ||A||_F = \sqrt{\sum_{i,j}a_{ij}^2} \] 这类似于将矩阵视为高维向量后的 Euclidean 长度[^6]。以下是 Python 中如何实现上述各种 norm 的简单例子： ```python import numpy as np vector = np.array([3, -4]) matrix = np.array([[1, 2], [-1, 1]]) l1_norm_vector = np.linalg.norm(vector, ord=1) l2_norm_vector = np.linalg.norm(vector, ord=2) frobenius_norm_matrix = np.linalg.norm(matrix, 'fro') print(f"L1 norm of vector: {l1_norm_vector}") print(f"L2 norm of vector: {l2_norm_vector}") print(f"Frobenius norm of matrix: {frobenius_norm_matrix}") ``` 尽管这里没有直接提及到具体引用材料的内容，但是基于前述资料所涉及的技术背景和技术术语进行了扩展说明[^7]。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇为什么2 true在JavaScript和Python里都返回false？