Hướng dẫn how use numpy linalg norm python? - làm thế nào để sử dụng numpy linalg chuẩn python?

linalg.norm (x, ord = none, axis = none, keepdims = false) [nguồn]#norm(x, ord=None, axis=None, keepdims=False)[source]#

Ma trận hoặc chỉ tiêu vector.

Nội dung chính Show

Numpy Linalg Norm hoạt động như thế nào?
Làm thế nào để bạn tìm thấy chuẩn mực của một mảng numpy trong Python?
Numpy Linalg Norm trở lại là gì?
Làm thế nào để bạn làm tiêu chuẩn L2 trong Python?

Hàm này có thể trả về một trong tám chỉ tiêu ma trận khác nhau hoặc một trong số số chỉ tiêu vectơ vô hạn (được mô tả bên dưới), tùy thuộc vào giá trị của tham số ord.

Parametersxarray_likexarray_like

Mảng đầu vào. Nếu trục không có, x phải là 1-D hoặc 2-D, trừ khi ord không. Nếu cả trục và ord không có, 2 bình thường của x.ravel sẽ được trả về.

ord {không phải là int, inf, -inf, ‘fro,‘ nuc,}, tùy chọn{non-zero int, inf, -inf, ‘fro’, ‘nuc’}, optional

Thứ tự của định mức (xem bảng theo Notes). Inf có nghĩa là đối tượng Numpy từ inf. Mặc định là không có.

trục {none, int, 2-tuple của ints}, tùy chọn.{None, int, 2-tuple of ints}, optional.

Nếu trục là một số nguyên, nó chỉ định trục của X dọc theo đó để tính toán các chỉ tiêu vectơ. Nếu trục là 2-tuple, nó chỉ định các trục giữ ma trận 2 chiều và các chỉ tiêu ma trận của các ma trận này được tính toán. Nếu trục không có thì chỉ định vectơ (khi x là 1-d) hoặc định mức ma trận (khi x là 2-d) được trả về. Mặc định là không có.

Mới trong phiên bản 1.8.0.

Keepdimsbool, tùy chọnbool, optional

Nếu điều này được đặt thành True, các trục được định mức được để lại trong kết quả là kích thước với kích thước một. Với tùy chọn này, kết quả sẽ phát sóng chính xác so với x ban đầu.

Mới trong phiên bản 1.10.0.

ReturnSnfloat hoặc ndarraynfloat or ndarray

Định mức của ma trận hoặc vectơ.

Ghi chú

Đối với các giá trị của

>>> LA.norm(a)
7.745966692414834
>>> LA.norm(b)
7.745966692414834
>>> LA.norm(b, 'fro')
7.745966692414834
>>> LA.norm(a, np.inf)
4.0
>>> LA.norm(b, np.inf)
9.0
>>> LA.norm(a, -np.inf)
0.0
>>> LA.norm(b, -np.inf)
2.0

0, kết quả là, nói đúng, không phải là một toán học ‘định mức, nhưng nó vẫn có thể hữu ích cho các mục đích số khác nhau.

Các chỉ tiêu sau đây có thể được tính toán:

Ord	tiêu chuẩn cho ma trận	định mức cho vectơ
Không có	Frobenius Norm	2-norm
‘FRO	Frobenius Norm	‘FRO
-	NUC	‘FRO
-	NUC	max(abs(x))
-inf	chuẩn mực hạt nhân	min(abs(x))
0	‘FRO	-
1	NUC	chuẩn mực hạt nhân
-1	Inf	chuẩn mực hạt nhân
2	Inf	chuẩn mực hạt nhân
-2	Inf	chuẩn mực hạt nhân
Inf	‘FRO	sum(abs(x)ord)(1./ord)

NUC

chuẩn mực hạt nhân

Inf

Max (sum (abs (x), trục = 1))

Min (tổng (abs (x), trục = 1))

sum (x! = 0)

>>> from numpy import linalg as LA
>>> a = np.arange(9) - 4
>>> a
array([-4, -3, -2, ...,  2,  3,  4])
>>> b = a.reshape((3, 3))
>>> b
array([[-4, -3, -2],
       [-1,  0,  1],
       [ 2,  3,  4]])

>>> LA.norm(a)
7.745966692414834
>>> LA.norm(b)
7.745966692414834
>>> LA.norm(b, 'fro')
7.745966692414834
>>> LA.norm(a, np.inf)
4.0
>>> LA.norm(b, np.inf)
9.0
>>> LA.norm(a, -np.inf)
0.0
>>> LA.norm(b, -np.inf)
2.0

>>> LA.norm(a, 1)
20.0
>>> LA.norm(b, 1)
7.0
>>> LA.norm(a, -1)
-4.6566128774142013e-010
>>> LA.norm(b, -1)
6.0
>>> LA.norm(a, 2)
7.745966692414834
>>> LA.norm(b, 2)
7.3484692283495345

>>> LA.norm(a, -2)
0.0
>>> LA.norm(b, -2)
1.8570331885190563e-016 # may vary
>>> LA.norm(a, 3)
5.8480354764257312 # may vary
>>> LA.norm(a, -3)
0.0

Max (sum (abs (x), trục = 0))

>>> c = np.array([[ 1, 2, 3],
...               [-1, 1, 4]])
>>> LA.norm(c, axis=0)
array([ 1.41421356,  2.23606798,  5.        ])
>>> LA.norm(c, axis=1)
array([ 3.74165739,  4.24264069])
>>> LA.norm(c, ord=1, axis=1)
array([ 6.,  6.])

như sau

>>> m = np.arange(8).reshape(2,2,2)
>>> LA.norm(m, axis=(1,2))
array([  3.74165739,  11.22497216])
>>> LA.norm(m[0, :, :]), LA.norm(m[1, :, :])
(3.7416573867739413, 11.224972160321824)

Numpy Linalg Norm hoạt động như thế nào?

Numpy. Linalg. định mức được sử dụng để tính định mức của một vectơ hoặc ma trận. Nó có thứ tự = không có mặc định, vì vậy chỉ để tính định mức frobenius của (a-b), đây là TI tính khoảng cách giữa A và B (sử dụng công thức trên).used to calculate the norm of a vector or a matrix. It take order=None as default, so just to calculate the Frobenius norm of (a-b) , this is ti calculate the distance between a and b( using the upper Formula).

Làm thế nào để bạn tìm thấy chuẩn mực của một mảng numpy trong Python?

Để tìm một ma trận hoặc chỉ tiêu vector, chúng tôi sử dụng chức năng numpy.linalg.norm () của thư viện Python Numpy. Hàm này trả về một trong bảy chỉ tiêu ma trận hoặc một trong các chỉ tiêu vectơ vô hạn tùy thuộc vào giá trị của các tham số của nó.use function numpy. linalg. norm() of Python library Numpy. This function returns one of the seven matrix norms or one of the infinite vector norms depending upon the value of its parameters.

Numpy Linalg Norm trở lại là gì?

Ma trận hoặc chỉ tiêu vector.Hàm này có thể trả về một trong tám chỉ tiêu ma trận khác nhau hoặc một trong số số chỉ tiêu vectơ vô hạn (được mô tả bên dưới), tùy thuộc vào giá trị của tham số ord.Mảng đầu vào.one of eight different matrix norms, or one of an infinite number of vector norms (described below), depending on the value of the ord parameter. Input array.

Làm thế nào để bạn làm tiêu chuẩn L2 trong Python?

Ký hiệu cho định mức L2 của vectơ X là ‖x‖2.Để tính định mức L2 của một vectơ, lấy căn bậc hai của tổng các giá trị vectơ bình phương.Một tên khác cho định mức L2 của một vectơ là khoảng cách Euclide.Điều này thường được sử dụng để tính toán lỗi trong các mô hình học máy.take the square root of the sum of the squared vector values. Another name for L2 norm of a vector is Euclidean distance. This is often used for calculating the error in machine learning models.