范数的概念

快来打我* 2023-08-17 15:16 122阅读 0赞

范数（Norm）是一种关于向量的函数，是向量“长度”概念及其推广。在线性代数、泛函分析及相关的数学领域，可用范数来度量一个向量的“长度”。在中学里我们学过一个向量的模长(长度)是向量中各元素平方和的平方根，比如向量(3,4)的模长就是5，这里模长其实是向量(3,4)的一种范数——L2范数，向量的范数除了L2范数外，还有其他定义，如L0范数、L1范数和L∞范数，下面将一一介绍上述提及的这几个范数概念。

# 1 L0范数 #

若向量X = (x1, x2, …, xn)，则向量X的L0范数为

\\\[\{\\left\\| \{\\bf\{x\}\} \\right\\|\_0\} = \{\\bf\{x\}\}中所有非零元素个数\\\]

若向量A = (0, 3, 6)，向量A中有1个元素为0，2个非零元素 (3和6)，则A对应L0范数为  
\\\[ \{\\left\\| \{\\bf\{A\}\} \\right\\|\_0\} = \{\\rm\{2\}\} \\\]

在机器学习中压缩感知(compressive sensing)领域，很多时候希望最小化目标向量的 L0范数。但L0范数的最优化在数学上被认为是个NP-hard问题，即求解很复杂，所以许多压缩感知模型是将最小化目标向量的 L0范数转化为最小化目标向量的 L1范数。

# 2 L1范数 #

若向量X = (x1, x2, …, xn)，则向量X的L1范数为

\\\[\\begin\{array\}\{l\} \{\\left\\| \{\\bf\{x\}\} \\right\\|\_1\} = \\left| \{ \{x\_1\}\} \\right| + \\left| \{ \{x\_2\}\} \\right| + \\cdots \\left| \{ \{x\_n\}\} \\right| \\\\ \\quad \\;\\;\{\\rm\{ = \}\}\\sum\\limits\_\{i = 1\}^n \{\\left| \{ \{x\_i\}\} \\right|\} \\\\ \\end\{array\}\\\]

若向量A = (0, 3, 6)，则A对应L1范数为

\\\[ \{\\left\\| \{\\bf\{A\}\} \\right\\|\_1\} = \\left| \{\\rm\{0\}\} \\right|\{\\rm\{ + \}\}\\left| \{\\rm\{3\}\} \\right|\{\\rm\{ + \}\}\\left| \{\\rm\{6\}\} \\right|\{\\rm\{ = 3 + 6 = 9\}\} \\\]

最小化目标向量的 L1范数求解比最小化目标向量的 L0范数容易些，可通过最优化算法得到对应的可行解。但L1范数有一个问题，就是L1范数的导数不易求，所以许多机器学习问题中遇到 L1范数最小化问题会转为L2范数最小化问题。

# 3 L2范数 #

若向量X = (x1, x2, …, xn)，则向量X的L2范数为

\\\[ \\begin\{array\}\{l\} \{\\left\\| \{\\bf\{x\}\} \\right\\|\_2\} = \\sqrt \{ \{ \{\\left| \{ \{x\_1\}\} \\right|\}^\{\\rm\{2\}\}\}\{\\rm\{ + \}\}\{ \{\\left| \{ \{x\_\{\\rm\{2\}\}\}\} \\right|\}^\{\\rm\{2\}\}\}\{\\rm\{ + \}\} \\cdots \{\\rm\{ + \}\}\{ \{\\left| \{ \{x\_n\}\} \\right|\}^\{\\rm\{2\}\}\}\} \\\\ \\quad \\;\\;\{\\rm\{ = \}\}\\sqrt \{\\sum\\limits\_\{i = 1\}^n \{ \{ \{\\left| \{ \{x\_i\}\} \\right|\}^2\}\} \} \\\\ \\end\{array\} \\\]

若向量A = (2, 3, 6)，则A对应L2范数为

\\\[ \{\\left\\| \{\\bf\{A\}\} \\right\\|\_2\} = \\sqrt \{ \{2^2\} + \{3^2\} + \{6^2\}\} = \\sqrt \{4 + 9 + 36\} = \\sqrt \{49\} = 7 \\\]

# 4 L∞范数 #

若向量X = (x1, x2, …, xn)，则向量X的L∞范数为

\\\[ \{\\left\\| \{\\bf\{x\}\} \\right\\|\_\\infty \} = \\max \\left( \{\\left| \{ \{x\_1\}\} \\right|\\left| \{ \{x\_\{\\rm\{2\}\}\}\} \\right| \\cdots \\left| \{ \{x\_n\}\} \\right|\} \\right) \\\]

若向量A = (2, 3, 6)，则A对应L∞范数为

\\\[ \{\\left\\| \{\\bf\{A\}\} \\right\\|\_\\infty \} = \\max \\left( \{2,3,6\} \\right) = 6 \\\]

# 5 Lp范数 #

Lp范数实际上将L1范数、L2范数和L∞范数统一到一个框架体系中。

若向量X = (x1, x2, …, xn)，则向量X的Lp范数为

\\\[ \\begin\{array\}\{l\} \{\\left\\| \{\\bf\{x\}\} \\right\\|\_p\} = \\sqrt\[p\]\{ \{ \{ \{\\left| \{ \{x\_1\}\} \\right|\}^p\}\{\\rm\{ + \}\}\{ \{\\left| \{ \{x\_\{\\rm\{2\}\}\}\} \\right|\}^p\}\{\\rm\{ + \}\} \\cdots \{\\rm\{ + \}\}\{ \{\\left| \{ \{x\_n\}\} \\right|\}^p\}\}\} \\\\ \\quad \\;\\;\{\\rm\{ = \}\}\\sqrt\[p\]\{ \{\\sum\\limits\_\{i = 1\}^n \{ \{ \{\\left| \{ \{x\_i\}\} \\right|\}^p\}\} \}\} \\\\ \\end\{array\} \\\]

关于Lp范数的几何解释可以用单位圆来说明。单位圆是无穷个向量终点组成的集合，这些向量必须满足Lp范数为1且起点为原点。

对于L1范数，它在R2空间中的单位圆是正方形。

对于L2范数，它在R2空间中的单位圆是圆形。

对于L∞范数，它是R2空间中的单位圆也是一个正方形。

对于任何p范数，它是一个超椭圆（具有全等轴）。下面图为p取不同数值，Lp范数对应的单位圆。

![1180694-20190706201537025-1715510346.jpg][]  
图1 不同p对应的单位圆

转载于:https://www.cnblogs.com/Kalafinaian/p/11143995.html

[1180694-20190706201537025-1715510346.jpg]: /images/20230810/2fad2c04b6894fe5a01a00356723dd43.png