范数
机器学习中,经常使用范数来衡量向量的大小,直观上向量
x 的范数衡量从原点到点
x 的距离,
Lp 范数的定义如下:
∣∣x∣∣p=(i∑∣xi∣p)p1
其中
p∈R,p≥1
范数满足下列性质:
∙f(x)=0⇒x=0∙f(x+y)≤f(x)+f(y)∙∀α∈R,f(αx)=∣α∣f(x)
L2 范数
当
p=2 时,
L2 范数称为欧几里得范数,表示从原点到向量
x 点的欧几里得距离。由于在机器学习中使用频繁,经常被略去下表,表示为
∣∣x∣∣
一些情况下,人们习惯用平方
L2 范数替代
L2 范数,平方
L2 范数表示为
∣∣x∣∣22 范数
L1 范数
当
p=1 时,称为
L1 范数,适用于机器学习问题中零和非零元素之间差异非常重要时:
∣∣x∣∣1=i∑∣xi∣
L0 范数
一些人会将“
L0 范数”用作统计向量中非零元素的个数,但在数学意义上不正确
L∞ 范数
最大范数
L∞,表示向量中最大幅值元素的绝对值:
∣∣A∣∣F=i,j∑Ai,j2
参考文献
[1] 伊恩·古德费洛, 约书亚·本吉奥, 亚伦·库维尔. 深度学习. 人民邮电出版社. 北京. 2018