1、linalg=linear（线性）+algebra（代数），norm则表示范数。
2、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
3、代码实现
- import numpy as np
- x = np.array([
- [0, 3, 4],
- [1, 6, 4]])
- #默认参数ord=None，axis=None，keepdims=False
- print "默认参数(矩阵2范数，不保留矩阵二维特性)：",np.linalg.norm(x)
- print "矩阵2范数，保留矩阵二维特性：",np.linalg.norm(x,keepdims=True)
- print "矩阵每个行向量求向量的2范数：",np.linalg.norm(x,axis=1,keepdims=True)
- print "矩阵每个列向量求向量的2范数：",np.linalg.norm(x,axis=0,keepdims=True)
- print "矩阵1范数：",np.linalg.norm(x,ord=1,keepdims=True)
- print "矩阵2范数：",np.linalg.norm(x,ord=2,keepdims=True)
- print "矩阵∞范数：",np.linalg.norm(x,ord=np.inf,keepdims=True)
- print "矩阵每个行向量求向量的1范数：",np.linalg.norm(x,ord=1,axis=1,keepdims=True)
结果显示：
4、总结
①矩阵的三种范数求法
②向量的三种范数求法
