1. np.linalg.norm 求范数
linalg = linear + algebra，norm表示范数，范数是对向量（或矩阵）的度量，是一个标量（scalar）
np.linalg.norm(x, ord = None, axis = None, keepdims = False)
ord表示范数的种类
| 参数 | 说明 | 计算方法 |
|---|---|---|
| 默认 | 二范数：L 2 L_2L2 | x 1 2 + x 2 2 + . . . + x n 2 \sqrt{x^2_1+x^2_2+...+x^2_n}x12+x22+...+xn2 |
| ord=2 | 二范数：L 2 L_2L2 | 同上 |
| ord=1 | 一范数：L 1 L_1L1 | ∥ x 1 ∥ + ∥ x 2 ∥ + . . . + ∥ x n ∥ \|x_1\|+\|x_2\|+...+\|x_n\|∥x1∥+∥x2∥+...+∥xn∥ |
| ord=np.inf | 无穷范数：L ∞ L_\inftyL∞ | m a x ( ∥ x ∥ ) max(\|x\|)max(∥x∥) |
axis表示在哪个维度计算
如何记忆
- axis = a，其中a表示哪一维度，就在该维度上进行计算，最终产生的结果维度是，该方向的维度变为1
- 举例：
假设有一个三维矩阵X，X . s h a p e = ( 3 , 4 , 5 ) X.shape = (3, 4, 5)X.shape=(3,4,5)，对不同维度进行求和运算，如下：
Y 1 = n p . s u m ( X , a x i s = 0 ) Y_1=np.sum(X, axis = 0)Y1=np.sum(X,axis=0)，则Y 1 . s h a p e = ( 1 , 4 , 5 ) Y_1.shape=(1, 4, 5)Y1.shape=(1,4,5)
Y 2 = n p . s u m ( X , a x i s = 1 ) Y_2=np.sum(X, axis = 1)Y2=np.sum(X,axis=1)，则Y 2 . s h a p e = ( 3 , 1 , 5 ) Y_2.shape=(3, 1, 5)Y2.shape=(3,1,5)
Y 3 = n p . s u m ( X , a x i s = 2 ) Y_3=np.sum(X, axis = 2)Y3=np.sum(X,axis=2)，则Y 1 . s h a p e = ( 3 , 4 , 1 ) Y_1.shape=(3, 4, 1)Y1.shape=(3,4,1)
版权声明：本文为XLearning88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。