numpy.linalg.norm¶
-
numpy.linalg.
norm
(x, ord=None, axis=None, keepdims=False)[source]¶ 矩阵或向量范数。
此函数能够返回八个不同矩阵范数中的一个,或者根据
ord
参数的值返回无限数量的矢量范数(如下所述)。参数: x:array_like
输入数组。如果axis为None,则x必须是1-D或2-D。
ord:{非零int,inf,-inf,'fro','nuc'},可选
规范的顺序(见
Notes
下的表格)。inf表示numpy的inf对象。axis:{int,ints的2元组,无},可选
如果axis是整数,则它指定x的轴,沿此轴计算矢量范数。如果axis是2元组,它指定保存2-D矩阵的轴,并计算这些矩阵的矩阵范数。如果axis是None,则向量范数(当x是1-D时)或矩阵范数(当x是2-D时)返回。
keepdims:bool,可选
如果设置为True,则规范化的轴将作为尺寸为1的尺寸留在结果中。使用此选项,结果将相对于原始x正确广播。
版本1.10.0中的新功能。
返回: n:float或ndarray
矩阵或向量的范数。
笔记
对于
ord 0
的值,严格来说,结果不是数学“ ,但它仍然可用于各种数值目的。可以计算以下规范:
ord 矩阵的范数 向量的范数 没有 Frobenius范数 2范数 'fro' Frobenius范数 - - 'nuc' 核准则 - - inf max(sum(abs(x),axis = 1)) max(abs(x)) -inf min(sum(abs(x),axis = 1)) min(abs(x)) 0 - - sum(x!= 0) 1 max(sum(abs(x),axis = 0)) 如下 -1 min(sum(abs(x),axis = 0)) 如下 2 2范数(最大唱。值) 如下 -2 最小奇异值 如下 其他 - - sum(abs(x)** ord)**(1.ord) Frobenius范数由[R41]给出:
核规范是奇异值的总和。
参考文献
[R41] (1,2) GH Golub and CF Van Loan,Matrix Computations,Baltimore,MD,Johns Hopkins University Press,1985,15 例子
>>> from numpy import linalg as LA >>> a = np.arange(9) - 4 >>> a array([-4, -3, -2, -1, 0, 1, 2, 3, 4]) >>> b = a.reshape((3, 3)) >>> b array([[-4, -3, -2], [-1, 0, 1], [ 2, 3, 4]])
>>> LA.norm(a) 7.745966692414834 >>> LA.norm(b) 7.745966692414834 >>> LA.norm(b, 'fro') 7.745966692414834 >>> LA.norm(a, np.inf) 4.0 >>> LA.norm(b, np.inf) 9.0 >>> LA.norm(a, -np.inf) 0.0 >>> LA.norm(b, -np.inf) 2.0
>>> LA.norm(a, 1) 20.0 >>> LA.norm(b, 1) 7.0 >>> LA.norm(a, -1) -4.6566128774142013e-010 >>> LA.norm(b, -1) 6.0 >>> LA.norm(a, 2) 7.745966692414834 >>> LA.norm(b, 2) 7.3484692283495345
>>> LA.norm(a, -2) nan >>> LA.norm(b, -2) 1.8570331885190563e-016 >>> LA.norm(a, 3) 5.8480354764257312 >>> LA.norm(a, -3) nan
使用轴参数计算向量规范:
>>> c = np.array([[ 1, 2, 3], ... [-1, 1, 4]]) >>> LA.norm(c, axis=0) array([ 1.41421356, 2.23606798, 5. ]) >>> LA.norm(c, axis=1) array([ 3.74165739, 4.24264069]) >>> LA.norm(c, ord=1, axis=1) array([ 6., 6.])
使用轴参数计算矩阵范数:
>>> m = np.arange(8).reshape(2,2,2) >>> LA.norm(m, axis=(1,2)) array([ 3.74165739, 11.22497216]) >>> LA.norm(m[0, :, :]), LA.norm(m[1, :, :]) (3.7416573867739413, 11.224972160321824)