np.linalg.norm()用于求范数，linalg本意为linear(线性) + algebra(代数)，norm则表示范数。
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：
矩阵的向量：
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：
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))
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))
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))
注意：严格来说，当 ord <= 0 时，不符合数学上的范数公式，但它仍然适用于各种数值目的。
import numpy as np a = np.arange(12) print(a) b = a.reshape((3, 4)) print(b) print(np.linalg.norm(a)) print(np.linalg.norm(b)) print(np.linalg.norm(b, 'fro')) print(np.linalg.norm(b, 'nuc')) print(np.linalg.norm(a, np.inf)) print(np.linalg.norm(a, -np.inf)) print(np.linalg.norm(a, 1)) print(np.linalg.norm(b, np.inf, axis=1)) print(np.linalg.norm(b, -np.inf, axis=0)) print(np.linalg.norm(b, 1))
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
22.4944437584
22.4944437584
22.4944437584
24.3646384993
11.0
0.0
66.0
[ 3. 7. 11.]
[ 0. 1. 2. 3.]
21.0
