机器学习与 范数

调包侠理查 调包侠理查 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 422平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄14年
关注
原创 最新推荐文章于 2026-04-12 21:46:59 发布 422 阅读 AI 写同款· GEO 优化 ›
机器学习中的范数 主要介绍几个基本概念 规范化参数：机器学习的模型拟合训练数据； 最小化误差：防止机器学习的模型与训练数据过度拟合； 范数：机器学习、深度学习等计算机领域内用的比较多的就是迭代过程中收敛性质的判断，一般迭代前后步骤的差值称为范数，用范数表示其大小。 常用的是二范数，差值越小表示越逼近实际值，可以认为达到要求的精度，收敛。范数本质是距离，存在的意义是为了实现比较 向量的范数 假设x是... 阅读详情

2-范数

范数公式

欧几里得范数，常用计算向量长度），即向量元素绝对值的平方和再开方

参考资料

1.知乎：0 范数、1 范数、2 范数有什么区别？
2. Wikipedia：范数

收录于
机器学习

当前文章被收录于：

机器学习
9 篇文章 0 人学习
订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
机器学习范数规则化之L0,L1与L2范数 机器学习范数规则化之L0,L1与L2范数 本文参考http://blog.youkuaiyun.com/zouxy09/article/details/24971995大神的博客，看完之后很受启发，做下记录以便以后复习。 L0、L1范数 L2范数 规则项参数选择 前言 监督机器学习问题无非就是“minimizeyour error while regularizing your param... 阅读详情

相关推荐

机器学习中的范数与稀疏性

机器学习中的范数与稀疏性 监督机器学习问题无非就是“minimize your error while regularizing your parameters”，也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。因为参数太多，会导致我们的模型复杂度上升，容易过拟合，也就是我们的训练误差会很小。但训练误差...

BIG SHARK的博客 5526

Python之np.linalg.norm(求范数)

numpy.linalg.norm numpy.linalg.norm（x，ord = None，axis = None，keepdims = False ） 参数详解： x:array_like，数组和矩阵都可以 ord: axis: axis=0时表示处理列数据，axis=1时表示处理行数据。 keepdims:Ture时表示保持原来的shape，默认为Flase返回数值。 a=np.arr...

qq_44635691的博客 1050

机器学习中常用范数与距离

机器学习中常用范数与距离前言范数向量范数矩阵范数距离曼哈顿距离欧氏距离切比雪夫距离闵可夫斯基距离标准化欧氏距离马氏距离余弦距离 前言 在机器学习中经常会涉及到范数和距离的概念，有时候优化的目标函数就是常用范数和距离的变化。关于范数和距离其实已经有很多人写过文章了，我之所以还要再写一遍，是因为读别人的文章我老是记不住，干脆好记性不如烂键盘，自己敲一遍吧。 范数 向量范数 向量范数表示向量空间中向量的...

MrLittleDog的博客 2114

机器学习中的数学——范数

分类目录：《算法设计与分析》总目录 有时我们需要衡量一个向量的大小。在机器学习中，我们经常使用被称为范数的函数衡量向量大小。形式上，LPL^PLP范数定义如下

冯·诺依曼 1万+

范数: 了解机器学习中的重要概念

常见的范数包括 L1 范数、L2 范数和无穷范数，它们在特征选择、参数正则化和支持向量机等机器学习任务中发挥着重要的作用。在机器学习中，范数是一个重要的概念，用于衡量向量或矩阵的大小。范数可以帮助我们度量和比较不同的数据结构，并在许多机器学习算法中起着关键的作用。在本文中，我们将详细介绍范数的概念以及它在机器学习中的应用，并提供相应的源代码示例。通过调用相应的函数，可以得到向量 x 的 L1 范数、L2 范数和无穷范数的值。范数在机器学习中有广泛的应用。常见的范数包括 L1 范数、L2 范数和无穷范数。

YovcGit的博客 499

机器学习中的范数规则化之L0、L1与L2范数

通俗易懂的讲解机器学习中的范数规则化之L0、L1与L2范数的原理，帮助理解稀疏编码中的目标函数优化问题中的L1范数规则化

学习机器学习还不懂范数？？看这一篇就够了！(东半球最通俗易懂版)

在向量与矩阵运算领域，范数是重要概念。不同范数在计算方式、几何意义、敏感性及优化行为上存在显著差异。如L0范数统计非零元素个数，L1范数计算元素绝对值之和，L2范数为平方和的平方根，L∞范数取元素最大绝对值。这些差异导致其在机器学习等实际应用中表现不同，L1易产生稀疏解，L2使解更平滑。理解不同范数特性，有助于在如特征选择、参数优化等场景中，精准选择范数类型，实现性能与目标的最佳平衡 。

一个不怎么正经的算法工程师的博客~不定期更新一些我所覆盖领域的干货~~~包你满意噢~~ 1963

PCIE配置和地址空间

来源：https://www.jianshu.com/p/574e9a2cbc4e 每个PCIe设备，有这么一段空间，Host软件可以读取它获得该设备的一些信息，也可以通过它来配置该设备，这段空间就叫做PCIe的配置空间。不同于每个设备的其它空间，PCIe设备的配置空间是协议规定好的，哪个地方放什么内容，都是有定义的。PCI或者PCI-X时代就有配置空间的概念，那时的配置空间如下： 图6.1 整个配置空间就是一系列寄存器的集合，其中Type 0是Endpoint的配置，Type 1是Brid.

qq_28643619的博客 4060

机器学习中的范数规则化之（一）L0、L1与L2范数

机器学习中的范数规则化之（一）L0、L1与L2范数zouxy09@qq.comhttp://blog.youkuaiyun.com/zouxy09        今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。知识有限，以下都是我一些浅显的看

zouxy09的专栏 59万+

matlab锅炉 pid仿真,基于Matlab锅炉仿真.doc

基于Matlab锅炉仿真内蒙古科技大学MATLAB课程设计任务书2012题 目：锅炉汽包水位控制系统学生姓名：林三彪学 号：0967112127专 业：测控技术与仪器班 级：2009-1指导教师：梁 丽摘 要锅炉是化工、炼油、发电、造纸和制糖等工业生产过程中必不可少的重要动力设备。锅炉往往成了不少工厂不可缺少的一部分，因而，对锅炉设备中的自动控制系统进行分析研究是必要的...

weixin_29133981的博客 1096

从零到一：手把手教你用C#开发AGV调度系统（附避坑指南）

本文详细介绍了如何使用C#开发高效的AGV调度系统，涵盖从环境搭建到核心算法实现的完整流程。重点解析了动态路径规划、多机协同等关键技术，并提供了实用的避坑指南和性能优化建议，帮助开发者快速构建工业级车辆控制调度系统。

blockchain9miner的博客 742

范数与距离的关系以及在机器学习中的应用

1 范数 向量的范数可以简单形象的理解为向量的长度，或者向量到零点的距离，或者相应的两个点之间的距离。 向量的范数定义：向量的范数是一个函数||x||,满足非负性||x|| >= 0，齐次性||cx|| = |c|  ||x|| ，三角不等式||x+y|| 常用的向量的范数： L1范数:  ||x|| 为x向量各个元素绝对值之和。 L2范数:  ||x||为x向量各个元素平方和的1/2

__kingzone__的专栏 5万+

Backtrader 文档学习- 整体架构功能分析理解

backtrader是一个用于开发和执行交易策略的Python框架。它提供了一套完整的工具和功能，使得用户可以方便地进行策略回测、实盘交易以及数据分析。backtrader的入口为Cerebro类，该类将所有输入(Data Feeds)、策略 (Strategy)、观察者(Observers)、策略评估(Analyzers) 、经纪人（Broker）、订单（Order）、交易（Trade）和日志记录(Writers)整合起来，实现回测以及交易，并返回结果和图表。

六月闻君 6327

从机器学习视角解析向量与矩阵范数：L1、L2与无穷范数的实战应用

本文从机器学习实战视角，深入解析了向量与矩阵范数的核心概念与应用。重点阐述了L1范数、L2范数和无穷范数的计算方式、几何意义及其在机器学习中的关键作用，特别是L1正则化如何实现特征选择，以及L2正则化如何有效防止模型过拟合。通过Python代码示例，直观展示了不同范数对模型性能的影响，为算法实践提供了清晰的指导。

weixin_29088655的博客 413

电源防反接保护电路全攻略实战A04

本文深入剖析了硬件设计中电源保护电路的关键技术与实战经验。文章指出，保护电路虽小但至关重要，通过对比分析二极管与MOSFET防反接方案，揭示了MOSFET在效率、温控方面的优势。针对过压保护，重点讲解了TVS二极管选型要点，强调钳位电压而非击穿电压才是保护核心。文章结合工业案例（如48V通信模块烧毁、5V系统MOSFET过热等），详细阐述了PCB布局规范、热设计路径等工程细节，并提供了USB接口ESD防护的完整选型方案。最后强调硬件设计必须考虑最坏工况，在成本与性能间找到平衡点，避免因小失大。

启芯硬件的博客 777

通过python+openCV实现对图片中箭头方向的判断

摘要： 针对YOLOv8算法在箭头方向识别效果不佳的问题，提出了一种基于OpenCV的解决方案。该方法通过图像预处理、轮廓分析、几何特征提取（凸包、质心、外接矩形）和方向向量计算，准确判断箭头的上下左右方向。代码示例展示了从图像读取到方向识别的完整流程，并提供了优化建议（如调整二值化阈值、处理多轮廓）。该方案在Windows11+Python3.12+OpenCV环境下验证有效，适用于需要简单几何特征分析的箭头方向检测场景。

AnChenliang_1002的博客 702

矩阵论实战：向量范数与矩阵范数在机器学习中的应用

本文深入探讨了向量范数与矩阵范数在机器学习中的核心应用。通过分析L1、L2、无穷范数等如何量化模型复杂度、诱导稀疏性，以及谱范数、Frobenius范数在诊断梯度问题、分析算法收敛性中的作用，揭示了范数作为衡量模型性能与训练稳定性的关键数学工具。文章结合CNN、Transformer等实战案例，展示了范数在正则化、注意力机制及梯度裁剪中的具体实践。

weixin_29063681的博客 422

【AUTOSAR-CanNM】-3.1-如何让ECU发出的首帧是NM帧(Tx Nm报文先于Tx App应用报文发出)

如何让ECU发出的首帧是NM帧(Tx Nm报文先于Tx App应用报文发出)

「汽车电子助手」的博客 4724

机器学习中的范数规则化之L0、L1与L2范数、核范数与规则项参数选择

机器学习中的范数规则化之L0、L1与L2范数、核范数与规则项参数选择 今天我们聊聊机器学习中出现的非常频繁...

qiling0102的博客 707

【OpenClaw从入门到精通】第60篇：多智能体协同实战——用“龙虾”搭建你的数字员工团队（2026企业版）

2026年AI Agent企业落地的核心趋势，正从“单Agent单兵作战”转向“多智能体协同组网”。本文以全球开发者先锋大会“百虾大战”真实案例为蓝本，深度拆解OpenClaw多智能体协同的技术内核——三层解耦架构（模型层-技能层-网关层），系统搭建包含项目经理、架构师、执行者、质量把关者的4大核心Agent团队。通过三种主流协作架构对比、全链路配置代码实操、故障自愈实战演练，结合电商新品上架虚拟场景全流程演示，解决企业多Agent部署中的权限隔离、任务协同、运维自治三大核心痛点。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！ 769

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

【线性代数】范数(norm)ML 中范数相关概念与应用

【线性代数】范数(norm)：https://blog.youkuaiyun.com/baishuo8/article/details/81212317

qq_15821487的博客 308

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
上一篇： 深度学习 黑白图片 着色
下一篇： wxpython mainloop与Tkinter冲突
点赞 0
评论 0
书签 书签 0
调包侠理查
调包侠理查
博客等级 码龄14年 34粉丝 49原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值