NumPy - 矩阵范数

什么是矩阵范数？

矩阵范数是一个将非负数赋予矩阵的函数。它提供了一种衡量矩阵大小或幅度的度量。

一般来说，矩阵范数用于量化矩阵的大小，它们在涉及矩阵方程的问题中起着重要作用，例如求解线性方程组或执行矩阵分解。

常见的矩阵范数类型

有几种类型的矩阵范数，但最常用的是：

弗罗贝尼乌斯范数
1-范数
无穷范数
2-范数（谱范数）

弗罗贝尼乌斯范数

弗罗贝尼乌斯范数是最简单和最常用的矩阵范数之一。它定义为矩阵元素的绝对平方和的平方根。数学上，它由以下公式给出：

‖A‖_F = √(Σ_i=1 Σ_j=1 |a_ij|²)

其中A是矩阵，a_ij是矩阵的元素。弗罗贝尼乌斯范数等价于将矩阵视为向量时的L2范数。

1-范数

矩阵的1-范数（也称为最大列和范数）定义为最大绝对列和。数学上，它由以下公式给出：

‖A‖₁ = max_j Σ_i=1 |a_ij|

简单来说，1-范数是矩阵任意一列中元素的绝对值的和的最大值。

无穷范数

矩阵的无穷范数（也称为最大行和范数）定义为最大绝对行和。数学上，它由以下公式给出：

‖A‖_∞ = max_i Σ_j=1 |a_ij|

无穷范数给出矩阵任意一行中元素的绝对值的和的最大值。

2-范数（谱范数）

矩阵的2-范数（也称为谱范数）定义为矩阵的最大奇异值。它衡量矩阵应用于向量时的最大拉伸因子。2-范数由以下公式给出：

‖A‖₂ = σ_max(A)

其中，σ_max(A)是矩阵A的最大奇异值。在这种情况下，2-范数与矩阵的奇异值相关，可以使用奇异值分解 (SVD) 计算。

NumPy 中的矩阵范数

NumPy 提供了计算各种矩阵范数的函数。numpy.linalg.norm()函数可用于计算大多数常见的矩阵范数。让我们探索如何对不同类型的矩阵范数使用此函数。

使用 NumPy 计算弗罗贝尼乌斯范数

要使用 NumPy 计算弗罗贝尼乌斯范数，我们使用numpy.linalg.norm()函数，并将其参数ord='fro'。

示例

在以下示例中，矩阵A的弗罗贝尼乌斯范数是通过取矩阵中所有元素的平方和的平方根来计算的：

import numpy as np

# Define a matrix A
A = np.array([[1, 2], [3, 4]])

# Compute the Frobenius norm of the matrix
frobenius_norm = np.linalg.norm(A, 'fro')

print("Frobenius norm of A:", frobenius_norm)

以下是获得的输出：

Frobenius norm of A: 5.477225575051661

使用 NumPy 计算 1-范数

要计算 1-范数，我们使用numpy.linalg.norm()函数，并将其参数ord=1。矩阵的 1-范数是矩阵任意一列中元素的绝对值的和的最大值。

示例

在这种情况下，列和为 4 和 6，因此 1-范数为 6：

import numpy as np

# Define a matrix A
A = np.array([[1, 2], [3, 4]])

# Compute the 1-norm of the matrix
one_norm = np.linalg.norm(A, 1)

print("1-norm of A:", one_norm)

以下是获得的输出：

1-norm of A: 6.0

使用 NumPy 计算无穷范数

要计算无穷范数，我们使用numpy.linalg.norm()函数，并将其参数ord=np.inf。矩阵的无穷范数是矩阵任意一行中元素的绝对值的和的最大值。

示例

在这种情况下，行和为 3 和 7，因此无穷范数为 7：

import numpy as np

# Define a matrix A
A = np.array([[1, 2], [3, 4]])

# Compute the infinity norm of the matrix
infinity_norm = np.linalg.norm(A, np.inf)

print("Infinity norm of A:", infinity_norm)

以下是获得的输出：

Infinity norm of A: 7.0

使用 NumPy 计算 2-范数

要计算 2-范数（谱范数），我们使用numpy.linalg.norm()函数，并将其参数ord=2。矩阵的 2-范数（谱范数）是矩阵的最大奇异值，它衡量矩阵应用于向量时的最大拉伸因子。

示例

以下是在 NumPy 中计算 2-范数的示例：

import numpy as np

# Define a matrix A
A = np.array([[1, 2], [3, 4]])

# Compute the 2-norm of the matrix
two_norm = np.linalg.norm(A, 2)

print("2-norm (spectral norm) of A:", two_norm)

以下是获得的输出：

2-norm (spectral norm) of A: 5.464985704219043

矩阵范数的应用

矩阵范数在数值分析、机器学习、优化等领域有许多实际应用：

数值稳定性：矩阵范数用于分析数值算法的稳定性，尤其是在求解线性系统或执行矩阵分解时。
机器学习：在机器学习中，矩阵范数通常用于正则化模型并防止过拟合。例如，L2 正则化使用弗罗贝尼乌斯范数来惩罚模型中较大的权重。
优化：矩阵范数用于衡量优化问题中误差或与所需解的偏差。
信号处理：在信号处理中，矩阵范数用于衡量信号和滤波器的“能量”或幅度。

打印页面