向量大小和归一化（vector magnitude & normalization）、向量范数（vector norm）、标量/向量/矩阵/张量

您所在的位置：网站首页 › unity向量归一化 › 向量大小和归一化（vector magnitude & normalization）、向量范数（vector norm）、标量/向量/矩阵/张量

向量大小和归一化（vector magnitude & normalization）、向量范数（vector norm）、标量/向量/矩阵/张量

2023-08-06 22:34| 来源: 网络整理| 查看: 265

一、向量大小

首先一个向量 $\vec{v}$ 的长度或者大小一般记为 $\left \| \vec{v} \right \|$ 。上图中的平面向量 $\vec{v}(x,y)$ 的大小计算如下：

$\left \| \vec{v} \right \|=\sqrt{v_x*v_x+v_y*v_y}$

空间向量 $\vec{v}(x,y,z)$ 的大小计算如下：

$\left \| \vec{v} \right \|=\sqrt{v_x*v_x+v_y*v_y+v_z*v_z}$

$n$ 维复向量 $\vec{v}(x_1,x_2,...,x_n)$ 的大小计算如下：

$\left \| \vec{v} \right \|=\sqrt{v_1*v_1+v_2*v_2+...+v_n*v_n}$

二、向量归一化

向量归一化即将向量的方向保持不变，大小归一化到1。向量 $\vec{v}$ 的归一化向量 $\hat{v}$ 为：

$\hat{v}=\frac{\vec{v}}{\left \| \vec{v} \right \|}$

三、向量范数

范数是一种加强了的距离或者长度定义，比距离多一个数乘的运算法则。有时候范数可以当距离来理解。

0、 $L_0$ 范数，为向量 $\vec{v}$ 的所有元素非0的个数

$\left \| \vec{v} \right \|_0=\left \| \bold{v} \right \|_0=\#(v_i|v_i\neq 0)$

1、 $L_1$ 范数，为向量 $\vec{v}$ 的所有元素绝对值之和：

$\left \| \vec{v} \right \|_1=\left \| \bold{v} \right \|_1=\sum_i^n\left | v_i \right |$

对 $L_1$ 范数求优化解 $min\left \| \vec{v} \right \|_1$ ，是想得到一个稀疏解。所以 $L_1$ 可以实现特征的稀疏（通过权重趋于0实现），去掉一些没有信息的特征，例如在对用户的电影爱好做分类的时候，用户有100个特征，可能只有十几个特征是对分类有用的，大部分特征如身高、体重等可能关系不大，利用 $L_1$ 范数可以过滤掉。

2、 $L_2$ 范数，为向量 $\vec{v}$ 的所有元素的平方和求正根：

$\left \| \vec{v} \right \|_2=\left \| \bold{v} \right \|_2=\sqrt{\sum_i^n\left |v_i \right | ^2}$

对 $L_2$ 范数求优化解 $min\left \| \vec{v} \right \|_2$ ，通常用来做优化目标函数的正则化项，防止模型为了迎合训练集而过于复杂，造成过拟合的现象，用来提高模型的泛化能力。

3、 $L_p$ 范数，为向量 $\vec{v}$ 的所有元素的 $p$ 次方之和开 $p$ 次方的正根：

$\left \| \vec{v} \right \|_p=\left \| \bold{v} \right \|_p=\sqrt[p]{\sum_i^n\left |v_i \right |^p}$

4、 $L_{\infty}$ 范数，为向量 $\vec{v}$ 的所有元素绝对值的最大值：

$\left \| \vec{v} \right \|_{\infty}=\left \| \bold{v} \right \|_{\infty}=max_i\left | v_i \right |$

四、标量（Scalar）、向量（Vector）、矩阵（Matrix）、张量（Tensor）

An example of a scalar, a vector, a matrix and a tensor

标量是一个数值（1）：

$x=2$

向量是一列数值（1*n），有大小和方向：

$\textbf{\textit{x}} =\begin{bmatrix} x_1 \\ x_2 \\ \cdots \\ x_n \end{bmatrix}$

矩阵是二维的两列数值（m*n），表示一个面：

$\textbf{\textit{A}}= \begin{bmatrix} A_{1,1} & A_{1,2} & \cdots & A_{1,n} \\ A_{2,1} & A_{2,2} & \cdots & A_{2,n} \\ \cdots & \cdots & \cdots & \cdots \\ A_{m,1} & A_{m,2} & \cdots & A_{m,n} \end{bmatrix}$

张量是多维的多列数值（m*n*h），可以表示多维空间（如3维，4维，5维...）。

注意，标量可以看成0维张量，向量看成1维张量，矩阵看成2维张量。

对于矩阵、张量的范数计算，可以分别拉平到向量应用向量范数计算公式得到。

import tensorflow as tf import numpy as np >>> v=tf.ones([3,3]) >>> v >>> v1=tf.norm(v,ord=1) >>> v1 >>> v2=tf.norm(v,ord=2) >>> v2 >>> v3=tf.norm(v,ord=3) >>> v3 >>> vinf=tf.norm(v,ord=np.inf) >>> vinf 五、Keras的regularizers

1、 $L_1$

#L1 class tf.keras.regularizers.l1(l1=0.01, **kwargs) The L1 regularization penalty is computed as: loss = l1 * reduce_sum(abs(x))

2、 $L_2$

#L2 class tf.keras.regularizers.l2(l2=0.01, **kwargs) The L2 regularization penalty is computed as: loss = l2 * reduce_sum(square(x))

3、 $L_1\&L_2$

#l1_l2 function tf.keras.regularizers.l1_l2(l1=0.01, l2=0.01) Create a regularizer that applies both L1 and L2 penalties. The L1 regularization penalty is computed as: loss = l1 * reduce_sum(abs(x)) The L2 regularization penalty is computed as: loss = l2 * reduce_sum(square(x)) 引用

【1】https://www.khanacademy.org/computing/computer-programming/programming-natural-simulations/programming-vectors/a/vector-magnitude-normalization

【2】https://hadrienj.github.io/posts/Deep-Learning-Book-Series-2.1-Scalars-Vectors-Matrices-and-Tensors/

【3】https://www.overleaf.com/learn/latex/Bold,_italics_and_underlining

【4】https://blog.csdn.net/nanhuaibeian/article/details/103727168

【5】https://blog.csdn.net/a493823882/article/details/80569888

【6】https://keras.io/api/layers/regularizers/

【本文地址】

向量大小和归一化（vector magnitude & normalization）、向量范数（vector norm）、标量/向量/矩阵/张量

向量大小和归一化（vector magnitude & normalization）、向量范数（vector norm）、标量/向量/矩阵/张量

今日新闻

推荐新闻