在数学中，范数是一个用来衡量向量或矩阵“大小”的工具，广泛应用于线性代数、优化、信号处理等领域。不同的范数适用于不同的场景，掌握如何计算不同类型的范数是学习相关知识的重要基础。 下面将对常见的几种范数进行总结，并通过表格形式清晰展示它们的定义与计算方法。 一、常见范数类型及定义 1. L1 范数（曼哈顿范数） L1 范数是向量中各个元素绝对值之和，常用于稀疏性要求较高的场景。 2. L2 范数（欧几里得范数） L2 范数是向量中各元素平方和的平方根，是最常用的范数之一。 3. L∞ 范数（最大范数） L∞ 范数是向量中绝对值最大的元素，反映向量的最大分量。 4. Lp 范数（通用范数） Lp 范数是 L1 和 L2 的推广，适用于任意正实数 p。 5. 矩阵范数 矩阵范数包括谱范数、Frobenius 范数等，分别用于衡量矩阵的“大小”或“强度”。 二、范数计算方法总结表 | 范数类型 | 定义公式 | 计算方式 | 示例说明 | | L1 范数 | $\ | x\ | _1 = \sum_{i=1}^n | x_i | $ | 各元素绝对值相加 | 向量 $x = [1, -2, 3]$，$\ | x\ | _1 = 1 + 2 + 3 = 6$ | | L2 范数 | $\ | x\ | _2 = \sqrt{\sum_{i=1}^n x_i^2}$ | 平方和开根号 | 向量 $x = [1, -2, 3]$，$\ | x\ | _2 = \sqrt{1 + 4 + 9} = \sqrt{14} \approx 3.74$ | | L∞ 范数 | $\ | x\ | _\infty = \max_{1 \leq i \leq n} | x_i | $ | 取最大绝对值 | 向量 $x = [1, -2, 3]$，$\ | x\ | _\infty = 3$ | | Lp 范数 | $\ | x\ | _p = \left( \sum_{i=1}^n | x_i | ^p \right)^{1/p}$ | p次幂和再开p次根 | 当 $p=3$，向量 $x = [1, -2, 3]$，$\ | x\ | _3 = \left(1^3 + 2^3 + 3^3\right)^{1/3} = \sqrt[3]{36} \approx 3.30$ | | 矩阵谱范数 | $\ | A\ | _2 = \sqrt{\lambda_{\text{max}}(A^T A)}$ | 最大特征值的平方根 | 矩阵 $A = \begin{bmatrix}1 & 2 \\ 3 & 4\end{bmatrix}$，需先计算 $A^T A$ 再求最大特征值 | | Frobenius 范数 | $\ | A\ | _F = \sqrt{\sum_{i=1}^m \sum_{j=1}^n | a_{ij} | ^2}$ | 元素平方和开根号 | 矩阵 $A = \begin{bmatrix}1 & 2 \\ 3 & 4\end{bmatrix}$，$\ | A\ | _F = \sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{30} \approx 5.48$ |
三、范数的应用场景 - L1 范数：用于稀疏表示、压缩感知、Lasso 回归等。 - L2 范数：用于最小二乘法、支持向量机、正则化等。 - L∞ 范数：用于控制最大误差或约束最大值。 - 矩阵范数：用于分析矩阵的稳定性、收敛性、条件数等。 四、小结 范数是衡量向量或矩阵“大小”的重要工具，根据不同的应用场景选择合适的范数可以更有效地解决问题。通过上述表格可以看出，每种范数都有其特定的计算方式和适用范围。掌握这些基本概念和计算方法，有助于进一步理解更复杂的数学模型和算法。 |