房产网站流量排名网络营销策略制定

范数（Norm） 是数学中衡量向量或矩阵“大小”的一种工具，本质上是将向量映射到一个非负实数的函数。它不仅是线性代数中的基础概念，还在机器学习、优化、物理等领域广泛应用。

---

一、范数的定义

对向量空间中的任意向量 x，范数满足以下性质：

1. 非负性：|x| ≥ 0，且 |x| = 0 当且仅当 x = 0。
2. 齐次性：|αx| = |α|·|x|（α 为标量）。
3. 三角不等式：|x + y| ≤ |x| + |y|。

---

二、常见的向量范数

1. L₀ 范数（0-范数）

• 定义：向量中非零元素的个数。
• 公式：|x|₀ = Σ|xᵢ|⁰（实际是计数）。
• 用途：稀疏性度量（如特征选择），但严格来说不满足范数定义（不满足齐次性）。

2. L₁ 范数（曼哈顿范数）

• 定义：向量元素的绝对值之和。
• 公式：|x|₁ = Σ|xᵢ|。
• 用途：稀疏优化（如 Lasso 回归）、图像压缩。
• 几何意义：在二维空间中，单位球是菱形（对角线顶点在坐标轴上）。

3. L₂ 范数（欧几里得范数）

• 定义：向量到原点的欧氏距离。
• 公式：|x|₂ = √(Σxᵢ²)。
• 用途：距离计算、正则化（如 Ridge 回归）、几何中的长度。
• 几何意义：单位球是圆形（三维为球体）。

4. Lₚ 范数（一般范数）

• 定义：对 p ≥ 1，|x|ₚ = (Σ|xᵢ|ᵖ)^(1/p)。
• 特殊值：
  • p=1 → L₁ 范数
  • p=2 → L₂ 范数
  • p→∞ → L∞ 范数

5. L∞ 范数（最大范数）

• 定义：向量中绝对值最大的元素。
• 公式：|x|∞ = max(|x₁|, |x₂|, …, |xₙ|)。
• 用途：控制最坏情况误差（如信号处理中的峰值限制）。

---

三、矩阵范数

1. Frobenius 范数

   • 定义：矩阵元素的平方和的平方根，即 |A|_F = √(ΣΣ|aᵢⱼ|²)。
   • 用途：衡量矩阵的整体“能量”（如神经网络中的权重正则化）。

2. 谱范数（2-范数）

   • 定义：矩阵的最大奇异值，即 |A|₂ = σ_max(A)。
   • 用途：衡量矩阵对向量的最大拉伸程度。

---

四、范数的应用场景

1. 机器学习中的正则化

• L₁ 正则化（稀疏性）：

  # Lasso 回归的损失函数
  loss = MSE(y_true, y_pred) + λ * Σ|wᵢ|
  

• L₂ 正则化（权重衰减）：

  # Ridge 回归的损失函数
  loss = MSE(y_true, y_pred) + λ * Σwᵢ²
  

2. 几何与物理

• 计算距离（L₂ 范数）、定义球体或超立方体（不同范数的单位球）。

3. 优化问题

• 约束条件（如 |x| ≤ 1）、目标函数中的误差最小化。

4. 信号处理

• L∞ 范数用于限制信号的最大幅值，L₁ 用于稀疏信号恢复。

---

五、代码示例（Python）

import numpy as np# 定义向量
x = np.array([3, -4, 0, 2])# 计算不同范数
l0 = np.count_nonzero(x)               # L0 范数（非零元素个数）
l1 = np.sum(np.abs(x))                  # L1 范数（绝对值之和）
l2 = np.linalg.norm(x, ord=2)           # L2 范数（欧氏距离）
linf = np.max(np.abs(x))                # L∞ 范数（最大绝对值）print(f"L0: {l0}, L1: {l1}, L2: {l2}, L∞: {linf}")
# 输出：L0: 3, L1: 9, L2: 5.385164807134504, L∞: 4

---

六、总结

• 核心作用：量化向量或矩阵的“大小”或“复杂度”。
• 选择依据：
  • 需要稀疏性 → L₁ 范数
  • 需要平滑性 → L₂ 范数
  • 控制最大值 → L∞ 范数
• 数学本质：范数的选择定义了空间中的几何结构和优化行为。