矩阵分析 (四)向量和矩阵的范数
矩阵分析系统学习笔记
本系列所有文章来自东北大学韩志涛老师的矩阵分析课程学习笔记,系列如下:
矩阵分析 (一) 线性空间和线性变换
矩阵分析 (二) 内积空间
矩阵分析 (三) 矩阵的标准形
矩阵分析 (四)向量和矩阵的范数
矩阵分析 (五) 矩阵的分解
矩阵分析 (六) 矩阵的函数
矩阵分析 (七) 矩阵特征值的估计
矩阵分析 (八) 矩阵的直积
文章目录
- 矩阵分析系统学习笔记
- 向量的范数
- 范数的定义
- 几种常见的范数
- 生成范数
- 范数的等价
- 矩阵的范数
- 方阵的范数
- 常用的范数
- 与向量范数的相容性
- 用矩阵范数来定义向量范数
- 从属范数
- 从属范数的计算
- 范数的应用举例
我们曾经用内积定义了向量空间中一个元素的长度,它是几何长度的推广,利用这个长度的概念我们可以讨论极限、逼近的问题。在分析解决这些问题时最重要的是利用了长度的基本性质、非负性、齐次性和三角表达式。
向量的范数
范数的定义
- 定义4.1:若对任意的x∈Cnx \in C^{n}x∈Cn都有一个实数∣∣x∣∣||x||∣∣x∣∣与之对应,且满足:
- 非负性:x≠0x \neq 0x=0时,∣∣x∣∣>0||x||>0∣∣x∣∣>0,当x=0x=0x=0时,∣∣x∣∣=0||x||=0∣∣x∣∣=0;
- 齐次性:对任意的k∈Ck \in Ck∈C,∣∣kx∣∣=∣k∣⋅∣∣x∣∣||kx||=|k| \cdot ||x||∣∣kx∣∣=∣k∣⋅∣∣x∣∣;
- 三角不等式:对任意的xxx,yyy ∈Cn\in C^{n}∈Cn都有:
∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣||x+y|| \leq ||x|| + ||y|| ∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣
则称∣∣x∣∣||x||∣∣x∣∣为CnC^{n}Cn上的向量范数,简称向量范数。
几种常见的范数
- 2范数
设:
x=(x1,x2,⋯,xn)T∈Cnx=(x_{1},x_{2}, \cdots, x_{n})^{T} \in C^{n} x=(x1,x2,⋯,xn)T∈Cn
规定:
∣∣x∣∣2=∑i=1n∣xi∣2||x||_{2} = \sqrt{\sum_{i=1}^{n}|x_{i}|^{2}} ∣∣x∣∣2=i=1∑n∣xi∣2
很容易证明这是范数,叫作向量的2范数。2范数在酉变换下不变。
- 1范数
设:
x∈Cnx \in C^{n} x∈Cn
规定:
∣∣x∣∣1=∑i=1n∣xi∣||x||_{1} = \sum_{i=1}^{n}|x_{i}| ∣∣x∣∣1=i=1∑n∣xi∣
则∣∣x∣∣1||x||_{1}∣∣x∣∣1是范数,叫做向量的1范数。
- 向量的∞\infty∞范数
设:
x∈Cnx \in C^{n} x∈Cn
规定:
∣∣x∣∣∞=maxi∣xi∣||x||_{\infty} = max_{i}|x_{i}| ∣∣x∣∣∞=maxi∣xi∣
则∣∣x∣∣∞||x||_{\infty}∣∣x∣∣∞是范数,叫做向量的∞\infty∞范数。
- 向量的ppp范数
设x∈Rnx \in R^{n}x∈Rn,规定,
∣∣x∣∣p=(∑∣xi∣p)1p||x||_{p} = (\sum |x_{i}|^{p})^{\frac{1}{p}} ∣∣x∣∣p=(∑∣xi∣p)p1
则∣∣x∣∣p||x||_{p}∣∣x∣∣p也是范数,叫做向量的ppp范数。
- 其它:
规定:
∣∣f∣∣=max∣f(x)∣||f||=max|f(x)| ∣∣f∣∣=max∣f(x)∣
则∣∣f∣∣||f||∣∣f∣∣是函数的范数
在连续函数的空间中,规定:
∣∣f(x)∣∣=∫ab∣f(x)∣dx||f(x)|| = \int_{a}^{b} |f(x)|dx ∣∣f(x)∣∣=∫ab∣f(x)∣dx
则∣∣f∣∣||f||∣∣f∣∣也是范数。
生成范数
在一个向量空间之中可以构造无穷多种范数,前面所述只是最常用的范数。下面给出从已知范数构造新的向量范数的方法。
- 例4 设:
x=(x1,x2,⋯,xn)T∈Cnx=(x_{1},x_{2}, \cdots, x_{n})^{T} \in C^{n} x=(x1,x2,⋯,xn)T∈Cn
规定
∣∣x∣∣=a∣∣x∣∣1+b∣∣x∣∣2(a,b>0)||x||=a||x||_{1} + b||x||_{2} \ \ \ (a,b > 0) ∣∣x∣∣=a∣∣x∣∣1+b∣∣x∣∣2 (a,b>0)
则∣∣x∣∣||x||∣∣x∣∣是范数。
- 例5 设A∈Cnm×nA \in C_{n}^{m \times n}A∈Cnm×n,∣∣⋅∣∣a|| \cdot ||_{a}∣∣⋅∣∣a是CmC^{m}Cm上的一种范数,对于任意的x∈Cnx \in C^{n}x∈Cn,规定∣∣x∣∣=∣∣Ax∣∣a||x||=||Ax||_{a}∣∣x∣∣=∣∣Ax∣∣a,则∣∣x∣∣||x||∣∣x∣∣是CnC^{n}Cn上的范数。
由于矩阵AAA可以有无穷多,所以用这种方法可以构造无穷多种范数。
范数的等价
- 定义4.2:给定CnC^{n}Cn上的向量序列{xk}\{x^{k}\}{xk},其中
xk=(x1k,x2k,⋯,xnk)(k=1,2,⋯)x^{k}=(x_{1}^{k},x_{2}^{k},\cdots ,x_{n}^{k}) \ \ \ (k=1,2,\cdots) xk=(x1k,x2k,⋯,xnk) (k=1,2,⋯)
如果:
lim∞xik=xilim_{\infty} x_{i}^{k} = x_{i} lim∞xik=xi
则称{xk}\{x^{k}\}{xk}收敛,记作:
limk→∞xk=xlim_{k \rightarrow \infty} x^{k} = x limk→∞xk=x
不收敛的序列叫作发散序列。
- 定理4.1 CnC^{n}Cn中的向量序列{xk}\{x^{k}\}{xk}收敛于xxx的充分必要条件是,对于CnC^{n}Cn上的范数∣∣⋅∣∣∞||\cdot||_{\infty}∣∣⋅∣∣∞,
lim∞∣∣xk−x∣∣∞=0lim_{\infty}||x^{k}-x||_{\infty} = 0 lim∞∣∣xk−x∣∣∞=0
收敛是向量序列的性质,这种性质不应该受到度量方式的影响,也就是一个向量序列在一种范数的意义下收敛,那么它在另一种范数的意义下也应该收敛。一个空间中的序列在一种范数下收敛,那么它在另一种范数下也是收敛的。
- 定义4.3 设∣∣x∣∣a||x||_{a}∣∣x∣∣a和∣∣x∣∣b||x||_{b}∣∣x∣∣b是CnC^{n}Cn上的两种向量范数,如果存在正数kkk和lll使得对于任意的xxx都有:
k∣∣x∣∣b≤∣∣x∣∣a≤l∣∣x∣∣bk||x||_{b} \leq ||x||_{a} \leq l ||x||_{b} k∣∣x∣∣b≤∣∣x∣∣a≤l∣∣x∣∣b
则称向量范数∣∣x∣∣a||x||_{a}∣∣x∣∣a和∣∣x∣∣b||x||_{b}∣∣x∣∣b等价。
- 定理4.2:CnC^{n}Cn空间上所有范数等价。
即若{xk}\{x^{k}\}{xk}在∣∣⋅∣∣∞||\cdot||_{\infty}∣∣⋅∣∣∞意义下收敛,则{xk}\{x^{k}\}{xk}在∣∣x∣∣||x||∣∣x∣∣意义下也收敛。向量序列的收敛不受范数选择影响。
同一个向量在不同的范数下长度一般不同,如:
x=(1,1,⋯,1)∈Cnx=(1,1,\cdots ,1) \in C^{n} x=(1,1,⋯,1)∈Cn
则:
∣∣x∣∣2=n,∣∣x∣∣1=n,∣∣x∣∣∞=1||x||_{2} = \sqrt{n},||x||_{1} = n , \ ||x||_{\infty}=1 ∣∣x∣∣2=n,∣∣x∣∣1=n, ∣∣x∣∣∞=1
相差很大,但是在讨论收敛时,效果也是一样的,但是要注意,这里讨论的是有限维的空间,无穷维空间可以不等价。
矩阵的范数
由于一个m×nm \times nm×n矩阵可以看作m×nm \times nm×n维向量,因此可以按照定义向量范数的方法来定义矩阵范数,但是矩阵之间还有矩阵的乘法,在研究矩阵范数时应该给予考虑。
方阵的范数
- 定义4.4 :若对于任意的A∈Cn×nA \in C^{n \times n}A∈Cn×n都有一个实数∣∣A∣∣||A||∣∣A∣∣与之对应,且满足:
- 非负性:A≠OA \neq OA=O,∣∣A∣∣>0||A|| >0∣∣A∣∣>0;A=OA=OA=O,∣∣A∣∣=0||A||=0∣∣A∣∣=0;
- 齐次性:对任意的k∈Ck \in Ck∈C:
∣∣kA∣∣=∣k∣∣∣A∣∣||kA||=|k|\ ||A|| ∣∣kA∣∣=∣k∣ ∣∣A∣∣
- 三角不等式:对任意的A,B∈Cn×nA,B \in C^{n \times n}A,B∈Cn×n,
∣∣A+B∣∣≤∣∣A∣∣+∣∣B∣∣||A+B|| \leq ||A|| +||B|| ∣∣A+B∣∣≤∣∣A∣∣+∣∣B∣∣
- 相容性:对任意的A,B∈Cn×nA,B \in C^{n \times n}A,B∈Cn×n都有∣∣AB∣∣≤∣∣A∣∣⋅∣∣B∣∣||AB|| \leq ||A|| \cdot ||B||∣∣AB∣∣≤∣∣A∣∣⋅∣∣B∣∣
则称∣∣A∣∣||A||∣∣A∣∣为Cn×nC^{n \times n}Cn×n上矩阵的范数,简称矩阵范数。
- 由于定义中的前三条与向量范数一致,因此矩阵范数有与向量范数有类似的性质,如:
∣∣−A∣∣=∣∣A∣∣,∣∣∣A∣∣−∣∣B∣∣∣≤∣∣A−B∣∣||-A|| = ||A||,| \ \ || A|| -||B|| \ \ | \leq ||A-B|| ∣∣−A∣∣=∣∣A∣∣,∣ ∣∣A∣∣−∣∣B∣∣ ∣≤∣∣A−B∣∣
以及Cn×nC^{n \times n}Cn×n上的两个矩阵范数等价。
常用的范数
- 矩阵m1m_{1}m1范数:
与∣∣x∣∣1||x||_{1}∣∣x∣∣1相仿,设A=(aij)n×n∈Cn×nA=(a_{ij})_{n \times n} \in C^{n \times n}A=(aij)n×n∈Cn×n,规定:
∣∣A∣∣m1=∑i,j∣aij∣||A||_{m_{1}} = \sum_{i,j} |a_{ij}| ∣∣A∣∣m1=i,j∑∣aij∣
则∣∣A∣∣m1||A||_{m_{1}}∣∣A∣∣m1是Cn×nC^{n \times n}Cn×n上的矩阵范数,称为m1m_{1}m1范数。
- 矩阵FFF范数:
与∣∣x∣∣2||x||_{2}∣∣x∣∣2相仿,对于A=(aij)n×nA=(a_{ij})_{n \times n}A=(aij)n×n,规定:
∣∣A∣∣F=∑i,j∣aij∣2=tr(AHA)||A||_{F} = \sqrt{\sum_{i,j}|a_{ij}|^{2}}=\sqrt{tr(A^{H}A)} ∣∣A∣∣F=i,j∑∣aij∣2=tr(AHA)
则∣∣A∣∣F||A||_{F}∣∣A∣∣F是Cn×nC^{n \times n}Cn×n上的一种矩阵范数,称为矩阵的Frobenius范数,简称FFF范数。
- 矩阵的∞\infty∞范数:
设A=(aij)n×nA=(a_{ij})_{n \times n}A=(aij)n×n,规定:
∣∣A∣∣m∞=n⋅maxi,j∣aij∣||A||_{m_{\infty}} = n \cdot max_{i,j} |a_{ij}| ∣∣A∣∣m∞=n⋅maxi,j∣aij∣
则∣∣A∣∣m∞||A||_{m_{\infty}}∣∣A∣∣m∞是Cn×nC^{n \times n}Cn×n上的矩阵范数。
与向量范数的相容性
- 定义4.5:设∣∣⋅∣∣m||\cdot||_{m}∣∣⋅∣∣m是Cn×nC^{n \times n}Cn×n上的矩阵范数,∣∣⋅∣∣v||\cdot||_{v}∣∣⋅∣∣v是CnC^{n}Cn上的向量范数,对任意的A∈Cn×nA \in C^{n\times n}A∈Cn×n,x∈Cnx \in C^{n}x∈Cn,都有:
∣∣AX∣∣v≤∣∣A∣∣m∣∣x∣∣v||AX||_{v} \leq ||A||_{m}||x||_{v} ∣∣AX∣∣v≤∣∣A∣∣m∣∣x∣∣v
则称矩阵范数∣∣⋅∣∣m||\cdot||_{m}∣∣⋅∣∣m与向量范数∣∣⋅∣∣v||\cdot||_{v}∣∣⋅∣∣v是相容的。
- Cn×nC^{n \times n}Cn×n上的m1m_{1}m1范数与CnC^{n}Cn上的1范数相容。
- Cn×nC^{n \times n}Cn×n上的FFF范数与CnC^{n}Cn上的2范数相容。
用矩阵范数来定义向量范数
- 设∣∣⋅∣∣||\cdot||∣∣⋅∣∣是Cn×nC^{n \times n}Cn×n上的一种矩阵范数,则在CnC^{n}Cn上可以定义一种向量范数。以二维空间为例,如设x∈C2x \in C^{2}x∈C2,取α=(α1,α2)T≠0\alpha=(\alpha_{1},\alpha_{2})^{T} \neq 0α=(α1,α2)T=0 ,设∣∣⋅∣∣m1||\cdot||_{m_{1}}∣∣⋅∣∣m1是C2×2C^{2 \times 2}C2×2中的范数,任取:
A=(aij)2×2∈C2×2A=(a_{ij})_{2 \times 2} \in C^{2 \times 2} A=(aij)2×2∈C2×2
则:
∣∣A∣∣m1=∣a11∣+∣a12∣+∣a21∣+∣a22∣||A||_{m_{1}} = |a_{11}|+|a_{12}|+|a_{21}|+|a_{22}| ∣∣A∣∣m1=∣a11∣+∣a12∣+∣a21∣+∣a22∣
现在任取:
x∈C2,x=(x1,x2)Tx \in C^{2},x =(x_{1},x_{2})^{T} x∈C2,x=(x1,x2)T
则:
xαH=(x1x2)(αˉ1αˉ2)=(x1αˉ1x1αˉ2x2αˉ1x2αˉ2)x \alpha^{H}=\left(\begin{array}{l} {x_{1}} \\ {x_{2}} \end{array}\right)\left(\bar{\alpha}_{1} \quad \bar{\alpha}_{2}\right)=\left(\begin{array}{ll} {x_{1} \bar{\alpha}_{1}} & {x_{1} \bar{\alpha}_{2}} \\ {x_{2} \bar{\alpha}_{1}} & {x_{2} \bar{\alpha}_{2}} \end{array}\right) xαH=(x1x2)(αˉ1αˉ2)=(x1αˉ1x2αˉ1x1αˉ2x2αˉ2)
是C2×2C^{2 \times 2}C2×2的矩阵。规定:
∥x∥=∥xαH∥m1=∣x1αˉ1∣+∣x1αˉ2∣+∣x2αˉ1∣+∣x2αˉ2∣\|x\|=\left\|x \alpha^{\mathrm{H}}\right\|_{m_{1}}=\left|x_{1} \bar{\alpha}_{1}\right|+\left|x_{1} \bar{\alpha}_{2}\right|+\left|x_{2} \bar{\alpha}_{1}\right|+\left|x_{2} \bar{\alpha}_{2}\right| ∥x∥=∥∥xαH∥∥m1=∣x1αˉ1∣+∣x1αˉ2∣+∣x2αˉ1∣+∣x2αˉ2∣
则在C2C^{2}C2中定义了一种运算。
- 如取:
α=(1,2)T,x=(1,1)T\alpha = (1,2)^{T},x=(1,1)^{T} α=(1,2)T,x=(1,1)T
则:
∥x∥=∥xαH∥m1=∥(11)(1,2)∥m1=6\|x\|=\left\|x \alpha^{H}\right\|_{m_{1}}=\left\|\left(\begin{array}{l} {1} \\ {1} \end{array}\right)(1,2)\right\|_{m_{1}}=6 ∥x∥=∥∥xαH∥∥m1=∥∥∥∥(11)(1,2)∥∥∥∥m1=6
取:
α=(1,i)T,x=(1,1)\alpha = (1,i)^{T},x=(1,1) α=(1,i)T,x=(1,1)
则:
∣∣x∣∣=∣∣xαH∣∣m1=4||x||=||x \alpha^{H}||_{m_{1}}=4 ∣∣x∣∣=∣∣xαH∣∣m1=4
- 定理4.3:设∣∣⋅∣∣||\cdot||∣∣⋅∣∣是Cn×nC^{n \times n}Cn×n上的一种范数,则在CnC^{n}Cn上必存在与它相容的向量范数。
从属范数
前面介绍了由矩阵范数定义向量范数的方法,接下来将要介绍由向量范数来定义矩阵范数的方法。
我们知道,单位矩阵在矩阵的乘法中的作用类似于1在乘法中的作用。但是对于已经知道的矩阵范数,如m1m_{1}m1,FFF,m∞m_{\infty}m∞范数,nnn阶单位矩阵EEE的范数。
∣∣E∣∣m1=n,∣∣E∣∣F=n,∣∣E∣∣m∞=n||E||_{m_{1}} = n,||E||_{F} = \sqrt{n},||E||_{m \infty} = n ∣∣E∣∣m1=n,∣∣E∣∣F=n,∣∣E∣∣m∞=n
能否构造出使得∣∣E∣∣=1||E||=1∣∣E∣∣=1的范数呢?
- 定理4.4:已知CnC^{n}Cn上的向量范数∣∣⋅∣∣v||\cdot||_{v}∣∣⋅∣∣v,对于任意的A∈Cn×nA \in C^{n \times n}A∈Cn×n,规定:
∣∣A∣∣=maxx≠0∣∣Ax∣∣v∣∣x∣∣v||A|| = max_{x \neq 0} \frac{||Ax||_{v}}{||x||_{v}} ∣∣A∣∣=maxx=0∣∣x∣∣v∣∣Ax∣∣v
则∣∣A∣∣||A||∣∣A∣∣是Cn×nC^{n \times n}Cn×n上的矩阵范数,称为由向量范数∣∣⋅∣∣v||\cdot||_{v}∣∣⋅∣∣v导出的矩阵范数,简称导出范数或者从属范数。
从属范数的计算
从属范数的计算是求多元函数的最大值,计算并不容易,我们只就向量的1,2, ∞\infty∞导出的矩阵范数分别是∣∣A∣∣1||A||_{1}∣∣A∣∣1,∣∣A∣∣2||A||_{2}∣∣A∣∣2,∣∣A∣∣∞||A||_{\infty}∣∣A∣∣∞,则:
- ∣∣A∣∣1=maxj∑i=1n∣aij∣||A||_{1} = max_{j} \sum_{i=1}^{n} |a_{ij}|∣∣A∣∣1=maxj∑i=1n∣aij∣。
- ∣∣A∣∣∞=maxi∑j=1n∣aij∣||A||_{\infty} = max_{i} \sum_{j=1}^{n}|a_{ij}|∣∣A∣∣∞=maxi∑j=1n∣aij∣。
- ∣∣A∣∣2=λ1||A||_{2} = \sqrt{\lambda_{1}}∣∣A∣∣2=λ1,λ1\lambda_{1}λ1为AHAA^{H}AAHA的最大特征值。
∣∣A∣∣1||A||_{1}∣∣A∣∣1是矩阵AAA的元素取模,然后把每一列元素加起来,取这些列和的最大值。而∣∣A∣∣∞||A||_{\infty}∣∣A∣∣∞是把每行的模加起来,然后取最大值。
范数的应用举例
定义4.6:设A∞Cn×nA \infty C^{n \times n}A∞Cn×n,λ1,λ2,⋯,λn\lambda_{1},\lambda_{2},\cdots,\lambda_{n}λ1,λ2,⋯,λn是AAA的nnn个特征值,称ρ(A)=maxi∣λi∣\rho(A) = max_{i}|\lambda_{i}|ρ(A)=maxi∣λi∣为AAA的谱半径,即AAA的谱半径是AAA的特征值模的最大值。
定理4.6:设A∈Cn×nA \in C^{n \times n}A∈Cn×n,则对Cn×nC^{n \times n}Cn×n上的任何一个矩阵范数∣∣⋅∣∣m||\cdot||_{m}∣∣⋅∣∣m,都有:
ρ(A)≤∣∣A∣∣m\rho(A) \leq ||A||_{m} ρ(A)≤∣∣A∣∣m
- 定理4.7:设A∈Cn×nA \in C^{n \times n}A∈Cn×n,任取一个正数,都可以找到一个矩阵范数∣∣⋅∣∣||\cdot||∣∣⋅∣∣,使得:
∣∣A∣∣≤ρ(A)+ε||A|| \leq \rho(A) + \varepsilon ∣∣A∣∣≤ρ(A)+ε
我的微信公众号名称:深度学习与先进智能决策
微信公众号ID:MultiAgent1024
公众号介绍:主要研究分享深度学习、机器博弈、强化学习等相关内容!期待您的关注,欢迎一起学习交流进步!
矩阵分析 (四)向量和矩阵的范数相关推荐
- 【MATLAB】矩阵分析之向量和矩阵的范数运算
本片借鉴于 https://blog.csdn.net/u013534498/article/details/52674008 https://blog.csdn.net/left_la/articl ...
- python求向量函数的雅可比矩阵_在python Numpy中求向量和矩阵的范数实例
np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=np.linalg.norm(x, ord=None, ...
- python二维元素向量_详解python Numpy中求向量和矩阵的范数
在python Numpy中求向量和矩阵的范数实例 np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=n ...
- 科学计算机解多元方程组,南京大学计算机科学与技术系 数值计算方法(第3章)3 向量和矩阵的范数 病态方程组 解线性方程组的迭代法.ppt...
南京大学计算机科学与技术系 数值计算方法(第3章)3 向量和矩阵的范数 病态方程组 解线性方程组的迭代法.ppt 上传人:ct****5 文档编号:43116102 上传时间:2020-01-21 格 ...
- matlab norm向量和矩阵的范数
一.向量的范数 首先定义一个向量为:a=[-5,6,8, -10] 1.1 向量的1范数 向量的1范数即:向量的各个元素的绝对值之和,上述向量a的1范数结果就是:29,MATLAB代码实现为:norm ...
- 矩阵论及其应用_数值分析篇——向量和矩阵的范数
向量.矩阵范数 是数学中矩阵论.线性代数.泛函分析等领域中常见的基本概念,是将一定的矩阵空间建立为赋范向量空间时为矩阵装备的范数.应用中常将有限维赋范向量空间之间的映射以矩阵的形式表现,这时映射空间上 ...
- Numpy中求向量和矩阵的范数
import numpy as np 函数: np.linalg.norm(x, ord=None, axis=None, keepdims=False) 参数释义:x:向量或矩阵 ...
- python求向量和矩阵的范数、求矩阵的逆
参考博文:https://blog.csdn.net/qq_35154529/article/details/82754157 np.linalg.norm(求范数):linalg=linear(线性 ...
- 向量和矩阵的各种范数比较(1范数、2范数、无穷范数等等
向量和矩阵的各种范数比较(1范数.2范数.无穷范数等等 范数 norm 矩阵 向量 一.向量的范数 首先定义一个向量为:a=[-5,6,8, -10] 1.1 向量的1范数 向量的1范数即:向量的各 ...
- 向量和矩阵的各种范数
向量和矩阵的各种范数 一.向量的范数 首先定义一个向量为:a=[-5,6,8, -10] 1.1 向量的1范数 向量的1范数即:向量的各个元素的绝对值之和,上述向量a的1范数结果就是:29,MATLA ...
最新文章
- 求逆元 - HNU 13412 Cookie Counter
- (pytorch-深度学习系列)pytorch卷积层与池化层输出的尺寸的计算公式详解
- pdf压缩工具_PDF文件过大如何缩小,几步教你完成压缩
- 【机器学习入门到精通系列】Logistic回归多分类图示
- vue如何发送网络请求,使用axios事半功倍!
- Spring中AbstractCommandController控制器
- Java中JSON字符串与java对象的互换实例详解
- LeetCode 2186. 使两字符串互为字母异位词的最少步骤数
- Python面向对象编程三大特性之继承
- day15 java的final
- 第 26 章 职责链模式
- screen中文乱码问题的解决
- Exp6 信息收集与漏洞扫描
- 使用百度地图实现基本的地图显示与定位功能
- (二)零基础入门C语言 --- C语言之入门课程
- Python+OpenCV实现车牌检测与识别
- C#最简单的NetMeeting
- python入门汇总
- 2021-05-01微信小程序存储数据的几种方式
- Unity初识之阿语显示