哈喽，各位大佬好，我是菜鸟小明哥，范数这个概念在研一学矩阵的时候有接触到，感觉不到有啥特别的地方，今天再次碰面？不知道这是什么安排？
其实说到基本的俩范数：L1，L2范数，就要不可避免的提及测度距离，恰好，这里的L1范数就是曼哈顿距离，而L2范数就是欧氏距离，简单不？具体API如下：
y=np.linalg.norm(x, axis=1, keepdims=True)如果你不理解，比我还笨的话，我可以说人话【简单的告诉你】，L1范数就是绝对值之和，L2就是平方和的开方。
那么问题来了，L2归一化有啥子用？？为啥子不用其他归一化？
本大佬随机产生一个向量，进行了归一化，发现最后的数都是接近于0的，这样有什么神秘作用？
>>> xx=np.random.randn(1500)
>>> xx_2=np.linalg.norm(xx,2)
>>> xx2=xx/xx_2
>>> xx2.min()
-0.09180608843352513
>>> xx2.max()
0.08068981657622099如果面试的大佬问你：为啥子不用绝对值最大的数进行归一化？为啥不用（0,1）归一化？这些问题根本不需要啥笔试，能把这些细节搞清楚已经很牛逼了。凡是需要笔试刷人的都是懒省事。
emmmm，这个问题一时无解，请大佬帮我看看，多谢。
别笼统的告诉我防止梯度爆炸、消失等啥几把玩意。请给出具体而简单的理解。
另外有相关问题可以加入QQ群讨论，不设微信群
QQ群：868373192
语音图像视频深度-学习群
