向量范数的计算公式-向量范数算式

向量范数这东西在数学里实际上就是一把尺子，用来衡量一个向量有多“长”要么有多“胖”。想象你在拿一根棍子去推墙，要么盯着一个向量看，它是个啥样的形状。最经典的范数叫欧几里得范数，也就是咱们高中几何里那个直角三角形斜边的长度。对于一个三维空间里的点 (x, y, z)，它的长度就是 $sqrt{x^2 + y^2 + z^2}$。
这个公式看着挺复杂，但实际上就是勾股定理的三次方根形式。
要是你在二维平面里，就是个直角三角形的斜边，没难题；到了四维就连更高维，你只需求想象一个直角四面体，把对边连起来，开四次方根就行，彻底没毛病。 我们再来看看$L_1$范数，这个在计算机科学里挺常见的，特别是在讲$L_1$正则化要么$L_1$投影的时候。它叫“曼哈顿距离”，实际上就是你数数一个格子里有多少个非零元素。
比如一个向量是 $(3, 1, 2, 0)$，算作$L_1$范数的话，就是数一下里面非零的数字个数，正好是 3。
这玩意儿别看不是直接算长度，但它实际上挺像一种“坚持”的度量：只要方向不对，哪怕数值挺大，也不影响计数结局。
这种范数在最优解里时常出现，比如判断一个向量是否能由一组基向量线性表示。 $L_infty$范数嘛，就好办多了，叫“最大绝对值”要么“无穷范数”。
要是你看那个向量 $(3, 1, 2, 0)$，它的$L_infty$范数就是取里面最大的那个数，也就是 3。
这和你在地图上看坐标，只看哪个分量最大是一样的。
这种范数在计算几何里特别有用，特别是涉及到旋转矩阵要么数据压缩的时候，只要有一个分量特别大，整个数值就会被放大。 要是把它们拼起来，$L_2$范数就是平方、求和再开根号，$L_1$是绝对值求和，$L_infty$是绝对值开各自的最大值，这就构成了最常见的几种范数家族。 算范数实际上挺有意思的，它不只是是个公式，更是一个关于空间结构的直觉。
比方说，当一个向量挺长时，它的$L_2$范数肯定挺大，出于平方之后数值会暴增；但在$L_1$范数里，长向量要是大局部是零，数值并不会像$L_2$那样爆炸。
这就好比你在跑步，$L_2$看的是你总跑的距离，$L_1$看的是你有多少个非零步态。 有时候你会认定公式忒死板，认定它只适合做题。
实际上不然。在实际工程中，比如神经网络训练，我们时常用到$L_1$范数，出于它能让模型更稀疏，也就是让某些权重变成零，这样计算量就小了。
要么在图像处理里，用$L_1$范数做某种度量，能更好地保留边缘信息。
这些应用场景说明，范数不只是为了好看，而是为了更贴合我们处理数据的方式。 再说说具体例子。假设你有一个向量 $mathbf{v} = [5, 10, 15]$，你想算它的最短距离要么某种代价。用$L_2$算，就是 $sqrt{25 + 100 + 225} = sqrt{350} approx 18.7$。用$L_1$算，就是 $5 + 10 + 15 = 30$。
这两个结局差别一大，这就体现了范数选择的关键性。
要是你希望距离更敏感于大数值的变化，要么希望向量能“贴近”原点而不被某些分量拖住，$L_2$可能更合适；要是你希望惩罚大的分量，要么鼓励解的稀疏性，$L_1$就是神器。 还有时候，范数在定义上也有点“任性”。
比如$L_p$范数，当$p=2$时是欧几里得距离，但当$p$取其他值时，它的几何意义就启动变了。有些$p$值会让范数变得不那么连续，就连在某些特定的子空间里表现得贼怪异，这时候算起来就不撇脱。 最终总结一下，向量范数就是给向量量身定做的度量工具。哪些范数好，往往取决于你的具体难题。
有没有啥数学直觉？自然有。你认定目前的 $L_2$ 范数是不是有点过于对称了？实际上想想看，在概率论里，$L_2$范数常和距离的平方相关，但或许在某些极端情况下，$L_1$要么$L_infty$会显得更有用。数学的魅力就在于这种“工具之故此好用，是出于它恰好解决了某种特定需求”的辩证关系。别再死记公式了，试着去理解它背后对空间结构的描述，你会发现，那个 $sqrt{sum x_i^2}$ 实际上更像是在描述一种“整体平衡”的感觉，而不只是长度。