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, axis=None, keepdims=False)
①x: 表示矩阵（也可以是一维）
②ord：范数类型
向量的范数：
矩阵的范数：
ord=1：列和的最大值
ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根
ord=∞：行和的最大值
③axis：处理类型
axis=1表示按行向量处理，求多个行向量的范数
axis=0表示按列向量处理，求多个列向量的范数
axis=None表示矩阵范数。
④keepding：是否保持矩阵的二维特性
True表示保持矩阵的二维特性，False相反
向量范数:
1-范数：
，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。
2-范数：
，Euclid范数（欧几里得范数，常用计算向量长度），即向量元素绝对值的平方和再开方，matlab调用函数norm(x, 2)。
∞-范数：
，即所有向量元素绝对值中的最大值，matlab调用函数norm(x, inf)。
-∞-范数：
，即所有向量元素绝对值中的最小值，matlab调用函数norm(x, -inf)。
p-范数：
，即向量元素绝对值的p次方和的1/p次幂，matlab调用函数norm(x, p)。
矩阵范数:
1-范数：
， 列和范数，即所有矩阵列向量绝对值之和的最大值，matlab调用函数norm(A, 1)。
2-范数：
，谱范数，即A'A矩阵的最大特征值的开平方。matlab调用函数norm(x, 2)。
∞-范数：
，行和范数，即所有矩阵行向量绝对值之和的最大值，matlab调用函数norm(A, inf)。
F-范数：
，Frobenius范数，即矩阵元素绝对值的平方和再开平方，matlab调用函数norm(A, 'fro‘)。
import numpy as np x1=np.array([1,5,6,3,-1]) x2=np.arange(12).reshape(3,4) print x1,'\n',x2 print '向量2范数:' print np.linalg.norm(x1) print np.linalg.norm(x1,ord=2) print '默认的矩阵范数:' print np.linalg.norm(x2) print '矩阵2范数:' print np.linalg.norm(x2,ord=2)
经测试知：
np.linalg.norm(X),X为向量时，默认求向量2范数，即求向量元素绝对值的平方和再开方；
X为矩阵是，默认求的是F范数。矩阵的F范数即：矩阵的各个元素平方之和再开平方根，它通常也叫做矩阵的L2范数，它的有点在它是一个凸函数，可以求导求解，易于计算。
以上这篇在python Numpy中求向量和矩阵的范数实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
