np.linalg.norm()用法总结

最新推荐文章于 2026-05-07 09:21:02 发布

原创最新推荐文章于 2026-05-07 09:21:02 发布 · 9.3w 阅读

129

437 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#线性代数 #python #机器学习

numpy 专栏收录该内容

6 篇文章

订阅专栏

本文详细介绍了NumPy库中用于计算范数的函数`np.linalg.norm()`，包括其参数用法、不同范数类型的含义以及具体示例。例如，ord=1对应列向量的最大和，ord=2对应矩阵特征值的算术平方根，ord=∞表示行向量的最大和，而ord=None则计算矩阵元素平方和的平方根。通过调整axis参数，可以选择按行或列向量计算范数，并可通过keepdims参数保留维度。这些概念和示例对于理解和应用线性代数中的范数计算至关重要。

该文章已生成可运行项目，

前言

np.linalg.norm()用于求范数，linalg本意为linear(线性) + algebra(代数)，norm则表示范数。

用法

np.linalg.norm(x, ord=None, axis=None, keepdims=False)

1.x: 表示矩阵(一维数据也是可以的~)
2.ord: 表示范数类型
向量的范数：
在这里插入图片描述
矩阵的向量：
ord=1：表示求列和的最大值
ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根
ord=∞：表示求行和的最大值
ord=None：表示求整体的矩阵元素平方和，再开根号
3.axis：

参数	含义
0	表示按列向量来进行处理，求多个列向量的范数
1	表示按行向量来进行处理，求多个行向量的范数
None	表示整个矩阵的范数

4.keepdims：表示是否保持矩阵的二位特性，True表示保持，False表示不保持，默认为False

例子

1.默认状态下：

import numpy as np
X = [[1, 2, 3], [4, 5, 6]]
print(np.linalg.norm(X))

Result：
在这里插入图片描述

在这里插入图片描述
2.改变axis：

import numpy as np
X = [[1, 2, 3], [4, 5, 6]]
print(np.linalg.norm(X, axis=1))

import numpy as np
X = [[1, 2, 3], [4, 5, 6]]
print(np.linalg.norm(X, axis=0))

在这里插入图片描述
3.改变ord：

import numpy as np
X = [[1, 2, 3], [4, 5, 6]]
print(np.linalg.norm(X, ord=1))

import numpy as np
X = [[1, 2, 3], [4, 5, 6]]
print(np.linalg.norm(X, ord=2))

在这里插入图片描述
4.改变keepdims：

import numpy as np
X = [[1, 2, 3], [4, 5, 6]]
print(np.linalg.norm(X, axis=0, keepdims=True))

import numpy as np
X = [[1, 2, 3], [4, 5, 6]]
print(np.linalg.norm(X, axis=0))

在这里插入图片描述

希望这篇文章对大家的学习有所帮助！

本文章已经生成可运行项目