L2-norm 归一化有啥用？最简单的一个范数

哈喽，各位大佬好，我是菜鸟小明哥，范数这个概念在研一学矩阵的时候有接触到，感觉不到有啥特别的地方，今天再次碰面？不知道这是什么安排？

其实说到基本的俩范数：L1，L2范数，就要不可避免的提及测度距离，恰好，这里的L1范数就是曼哈顿距离，而L2范数就是欧氏距离，简单不？具体API如下：

y=np.linalg.norm(x, axis=1, keepdims=True)

如果你不理解，比我还笨的话，我可以说人话【简单的告诉你】，L1范数就是绝对值之和，L2就是平方和的开方。

那么问题来了，L2归一化有啥子用？？为啥子不用其他归一化？

本大佬随机产生一个向量，进行了归一化，发现最后的数都是接近于0的，这样有什么神秘作用？

>>> xx=np.random.randn(1500)
>>> xx_2=np.linalg.norm(xx,2)

>>&