Lp距离, L1范数, 和L2范数

最新推荐文章于 2026-05-03 05:41:32 发布

原创最新推荐文章于 2026-05-03 05:41:32 发布 · 1.3w 阅读

·

4

·

本内容遵循CC 4.0 BY-SA版权协议

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。

标签

#Lp距离 #机器学习 #神经网络

机器学习/深度学习专栏收录该内容

12 篇文章

订阅专栏

本文详细介绍了Lp距离及其特例L1和L2范数的概念与计算方法，包括数学公式及应用场景，帮助读者深入理解不同范数之间的区别。

$L_p$ 距离, $L_1$ 范数, 和 $L_2$ 范数

$L_p$ 距离定义为:

L p (x i, x j) = (\sum l = 1 n | x (l) i - x (l) j | p) 1 p

$L_p(x_i, x_j) = \left( \sum_{l=1}^{n} | x_i^{(l)} - x_j^{(l)} |^p \right)^{\frac{1}{p}}$

其中 $x_i \in \mathbf{R}^n$ , $x_j \in \mathbf{R}^n$ , 其中 $L_\infty$ 定义为：

L \infty (x i, x j) = max l | x (l) i - x (l) j |

$L_\infty(x_i, x_j) = \max_l|x_i^{(l)} - x_j^{(l)}|$

$L_2$ 范数

$L_2$ 定义为 $|x| = \sqrt{ \sum_{i=1}^n x_i^2 }$ ，其中 $x = \left[ \begin{matrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{matrix} \right] \in \mathbf{R}^n$

$L_1$ 范数

$L_1$ 定义为 $|x| = \sum_{i=1}^n| x_i|$ ，其中 $x = \left[ \begin{matrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{matrix} \right] \in \mathbf{R}^n$

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。