所谓范数及其在机器学习中的作用

最新推荐文章于 2025-03-21 14:42:36 发布

TonySure

最新推荐文章于 2025-03-21 14:42:36 发布

阅读量1.2k

点赞数

分类专栏：毕设日志

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/ts719796895/article/details/104064154

版权

本文参考：

1、https://www.jianshu.com/p/4bad38fe07e6

2、https://zhuanlan.zhihu.com/p/26884695

3、深度学习入门：基于Python的理论与实现斋藤康毅（作者）

理解范数 - $l_p$ ：

在很多机器学习相关书籍中我们经常看到各种各样的距离及范数，如

$\left \| x \right \|$ 、 $\left \| X \right \|$

其中， $x$ ， $X$ 分别表示向量和矩阵。

也有其他的欧氏距离、均方差之类，例如，向量 $x = [3,-2,1]^T$ 的欧式范数 (Euclidean norm)为

$\left \| x \right \|_2 = \sqrt{3^2+(2)^2+1^2} = 3.742$

用于表示向量的大小，这个也被叫 $l_2$ -范数。

为方便统一，一般将任意向量 $x$ 的 $l_p$ -范数定义为

$\left \| x \right \|_p = \sqrt[p]{\sum_i\left | x_i \right |^p}$

主要有三类： $l_0$ 、 $l_1$ 、 $l_2$

$l_0$ 范数的定义：

根据 $l_p$ -范数的定义，当p=0时，我们就有了 $l_0$ -范数

$\left \| x \right \|_0 = \sqrt[0]{\sum_i\left | x_i \right |^0}$

表示向量x中非0元素的个数（0的0次方是0，非零的0次方是1，所以所有的零元素全都没了，只剩下非零元素变成的1了）

大佬是这么说的：

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。