在学习正则化时经常碰到 范数（norm）这个概念，所以想去了解一下这个到底是什么东东，他在机器学习等领域发挥了什么作用额。

参考了网络上多位大神的文章，记录一下自己的理解，以备后续查阅。

       范数（Norm）是一个函数，其赋予某个向量空间（或矩阵）中的每个向量以长度或大小。所以实际就是一个函数，用来表示向量空间或者矩阵中的向量的大小的，只不过表示的方式不一样所以也就有了什么L0 L1  L2 和更加一般的Lp范数。对于零向量，另其长度为零。直观的说，向量或矩阵的范数越大，则我们可以说这个向量或矩阵也就越大。经常见到向量范数和矩阵范数，||x||, 和||X||,其中x和X分别表示向量和矩阵。微信上有个公众号感觉解读的很好，贴过来。主要参考这两篇文章，注明出处

向量范数：https://mp.weixin.qq.com/s/bfASw9wvFzKUmvLYckYIFQ

矩阵范数：https://mp.weixin.qq.com/s/Q8qRgNrNdesjc7RrLhaK6A

既然讲范数，那就按照惯例，给出常用范数的定义----(不用知道他们都是什么，就知道有这么个名词先，慢慢一点点的理解)

一般将任意向量  的  -范数定义为

根据  -范数的定义，当  ，我们就有了  -范数，即

   -------表示向量  中非0元素的个数

根据  -范数的定义，当  时，任意向量  的  -范数为

先说向量范数：  向量范数的定义

 看一眼这个城市的地图，如果我们要测量两点之间的距离，在地图坐标系里我们可以直接按照蓝线计算，但是在城市里实际车开过的距离应该是红线。所以距离可以表示成，这个距离被称为曼哈顿（Manhattan）距离，或者taxicar距离德等，反正就是指在城市中taxi走的距离。

 然后，数学家将这种特殊的情况推广到一般去，

（闵可夫斯基距离）

 常用的范数，也就是上式定义的p=1,p=2,和p=∞时，p=∞也有自己的名字--切比雪夫距离；

下图展示了p取不同的值时各个范数下单位向量终点的轨迹（这个图还是很有意思的）

向量范数就到这里，关于矩阵范数的可以去看上面提到的公众号文章。

-----------------------------------------------------------------------------------------------------------------------------------------------