np.linalg.norm(求范數(shù)):linalg=linear（線性）+algebra（代數(shù)），norm則表示范數(shù)。

函數(shù)參數(shù)

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)

①x: 表示矩陣（也可以是一維）

②ord：范數(shù)類型

向量的范數(shù)：

矩陣的范數(shù)：

ord=1：列和的最大值

ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算術(shù)平方根

ord=∞：行和的最大值

③axis：處理類型

axis=1表示按行向量處理，求多個行向量的范數(shù)

axis=0表示按列向量處理，求多個列向量的范數(shù)

axis=None表示矩陣范數(shù)。

④keepding：是否保持矩陣的二維特性

True表示保持矩陣的二維特性，F(xiàn)alse相反

向量范數(shù):

1-范數(shù)： ，即向量元素絕對值之和，matlab調(diào)用函數(shù)norm(x, 1) 。

2-范數(shù)： ，Euclid范數(shù)（歐幾里得范數(shù)，常用計算向量長度），即向量元素絕對值的平方和再開方，matlab調(diào)用函數(shù)norm(x, 2)。

∞-范數(shù)： ，即所有向量元素絕對值中的最大值，matlab調(diào)用函數(shù)norm(x, inf)。

-∞-范數(shù)： ，即所有向量元素絕對值中的最小值，matlab調(diào)用函數(shù)norm(x, -inf)。

p-范數(shù)： ，即向量元素絕對值的p次方和的1/p次冪，matlab調(diào)用函數(shù)norm(x, p)。

矩陣范數(shù):

1-范數(shù)： ， 列和范數(shù)，即所有矩陣列向量絕對值之和的最大值，matlab調(diào)用函數(shù)norm(A, 1)。

2-范數(shù)： ，譜范數(shù)，即A'A矩陣的最大特征值的開平方。matlab調(diào)用函數(shù)norm(x, 2)。

∞-范數(shù)： ，行和范數(shù)，即所有矩陣行向量絕對值之和的最大值，matlab調(diào)用函數(shù)norm(A, inf)。

F-范數(shù)： ，F(xiàn)robenius范數(shù)，即矩陣元素絕對值的平方和再開平方，matlab調(diào)用函數(shù)norm(A, 'fro‘)。

import numpy as np

x1=np.array([1,5,6,3,-1])
x2=np.arange(12).reshape(3,4)
print x1,'\n',x2
print '向量2范數(shù):'
print np.linalg.norm(x1)
print np.linalg.norm(x1,ord=2)
print '默認的矩陣范數(shù):'
print np.linalg.norm(x2)
print '矩陣2范數(shù):'
print np.linalg.norm(x2,ord=2)

經(jīng)測試知：

np.linalg.norm(X),X為向量時，默認求向量2范數(shù)，即求向量元素絕對值的平方和再開方；

X為矩陣是，默認求的是F范數(shù)。矩陣的F范數(shù)即：矩陣的各個元素平方之和再開平方根，它通常也叫做矩陣的L2范數(shù)，它的有點在它是一個凸函數(shù)，可以求導求解，易于計算。

以上這篇在python Numpy中求向量和矩陣的范數(shù)實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論