Python中范数计算以及numpy矩阵的运算 |
您所在的位置:网站首页 › python矩阵运算结论 › Python中范数计算以及numpy矩阵的运算 |
Python中范数计算以及numpy矩阵的运算
文章目录
Python中范数计算以及numpy矩阵的运算一、范数1.1 定义:
二、numpy中范数计算2.1 实际案例
三、numpy矩阵运算3.1 numpy矩阵加减3.2 numpy矩阵乘除3.3 矩阵乘法运算
一、范数
1.1 定义:
范数(norm)是数学中的一种基本概念。在泛函分析中,它定义在赋范线性空间中,并满足一定的条件,即①非负性;②齐次性;③三角不等式。它常常被用来度量某个向量空间(或矩阵)中的每个向量的长度或大小。 最常见的范数就是p范数。若 x = [ x 1 , x 2 . . . x n ] T x=[x_1,x_2...x_n]^T x=[x1,x2...xn]T,那么 ∥ x ∥ p = ( ∣ x 1 ∣ p + ∣ x 2 ∣ p + . . . + ∣ x n ∣ p ) 1 p \left \| x \right \|_p=(|x_1|^p+|x_2|^p+...+|x_n|^p)^{\frac{1}{p}} ∥x∥p=(∣x1∣p+∣x2∣p+...+∣xn∣p)p1 当$p=1,2,\infty $时分别是以下集中情况: ∥ x ∥ 1 = ∣ x 1 ∣ + ∣ x 2 ∣ + . . . + ∣ x n ∣ ∥ x ∥ 2 = ( ∣ x 1 ∣ 2 + ∣ x 2 ∣ 2 + . . . + ∣ x n ∣ 2 ) 1 2 ∥ x ∥ p = m a x ( ∣ x 1 ∣ , ∣ x 2 ∣ , . . . , ∣ x n ∣ ) \left \| x \right \|_1=|x_1|+|x_2|+...+|x_n|\\ \left \| x \right \|_2=(|x_1|^2+|x_2|^2+...+|x_n|^2)^{\frac{1}{2}}\\ \left \| x \right \|_p=max(|x_1|,|x_2|,...,|x_n|) ∥x∥1=∣x1∣+∣x2∣+...+∣xn∣∥x∥2=(∣x1∣2+∣x2∣2+...+∣xn∣2)21∥x∥p=max(∣x1∣,∣x2∣,...,∣xn∣) 常用的三种范数的范数矩阵: 1范数:列和范数,每一列元素之和的最大值。
1)基本语法: np.linalg.norm(x,ord=None,axis=None) # x代表矩阵,ord代表范数类型 参数范数类型ord=2或None二范数ord=1一范数ord=np.Inf无穷范数2)axis为处理方向: axis=1时表示按行向量处理,求多个行向量的范数axis=0时表示按列向量处理,求多个列向量的范数。 2.1 实际案例案例一:对矩阵求范数 import numpy as np a=np.array([[1,2,3],[4,5,6]]) print("矩阵:",a) a1=np.linalg.norm(a,ord=1) print("第一范式:",a1) a2=np.linalg.norm(a,ord=2) print("第二范式",a2) a3=np.linalg.norm(a,ord=np.Inf) print("无穷范式",a3)
numpy矩阵之间的四则运算,根据两矩阵之间的各个元素一一对应进行。例如: [ 1 2 3 4 5 6 ] + [ 1 2 3 ] = [ 2 4 6 5 7 9 ] \begin{bmatrix} 1 &2 &3 \\ 4 &5 &6 \end{bmatrix}+\begin{bmatrix} 1 &2 &3 \end{bmatrix}=\begin{bmatrix} 2 &4 &6 \\ 5 &7 &9 \end{bmatrix} [142536]+[123]=[254769] 如果说要进行线性代数中矩阵相乘需要调用包中的.dot方法进行运算。 3.1 numpy矩阵加减 import numpy as np a=np.array([[1,2,3],[4,5,6]]) b=np.array([2,2,2]) print("两矩阵相加:\n",a+b) print("两矩阵相减:\n",a-b) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |