Tensorflow快餐教程(5) - 范数

摘要： 范数的定义和Tensorflow实现

矩阵进阶 - 范数

作为快餐教程，我们尽可能多上代码，多介绍工具，少讲原理和公式。但是我也深知这样是无法讲清楚的，毕竟问题的复杂度摆在这里呢。与大家一起在Tensorflow探索一圈之后，我一定要写一个数学基础比较扎实的进一步教程。

范数（norm）初识

一般大学本科的《线性代数》教材中是不讲范数、广义逆这些知识的，需要学习《矩阵论》课程。但是很不幸，深度学习中会频繁用到。所以我们还是要有个基础的概念的。

不管是一个向量，还是一个矩阵，我们在机器学习中都经常需要有一个对于它们大小的度量。
对于向量的度量，我们的第一印象就用向量的长度就是了么。换成更有文化一点的名词就是欧基里得距离。这么高大上的距离，其实就是所有的值的平方的和的平方根。

我们可以用ord='euclidean'的参数来调用tf.norm来求欧基里得范数。
例：

>>> a02 = tf.constant([1,2,3,4],dtype=tf.float32)
>>> sess.run(tf.norm(a02, ord='euclidean'))
5.477226

这没啥神秘的，我们用sqrt也照样算：

>>> np.sqrt(1*1+2*2+3*3+4*4)

下面我们将向量的范数推广到矩阵。其实还是换汤不换药，还是求平方和的平方根。

>>> a03 = tf.constant([[1,2],[3,4]],dtype=tf.float32)
>>> a03
<tf.Tensor 'Const_34:0' shape=(2, 2) dtype=float32>
>>> sess.run(a03)
array([[1., 2.],
       [3., 4.]], dtype=float32)

原来一排的向量，现在换成2x2的矩阵，我们继续求范数。现在有个高大上的名字叫做Frobenius范数。

sess.run(tf.norm(a03,ord=2))
5.477226

嗯，一算下来还是跟[1,2,3,4]向量的范数值是一样的。

范数的定义
欧几里得范数和Frobenius范数只是范数的特例。更一般地，范数的定义如下：
∥x∥p=(∑i|xi|p)1p
其中，p∈R,p≥1
范数本质上是将向量映射到非负值的函数。当p=2时，L2范数称为欧几里得范数。因为在机器学习中用得太多了，一般就将∥x∥2简写成∥x∥。

更严格地说，范数是满足下列性质的任意函数：

1. f(x)=0⇒x=0
2. f(x+y)≤f(x)+f(y) (这条被称为三角不等式, triangle inequality)
3. ∀α∈R,f(αx)=|α|f(x)

范数的推广

除了L2范数之外，在机器学习中还常用L1范数，就是所有元素的绝对值的和。

有时候，我们只想计算向量或者矩阵中有多少个元素，这个元素个数也被称为L0范数。但是，这种叫法是不科学的，因为不符合上面三条定义中的第三条。一般建议还是使用L1范数。

我们来看下L1范数的例子：

>>> sess.run(tf.norm(a03,ord=1))

10.0
另外，还有一个范数是L∞范数，也称为最大范数（max norm). 最大范数表示向量中具有最大幅值的元素的绝对值。

我们可以用ord=np.inf的参数来求最大范数。

>>> sess.run(tf.norm(a03,

1. 列表项目

ord=np.inf))

4.0

范数与赋范空间
最后，我们还是看一下数学上对于范数的严格定义。经过上面对于概念和代码实现的了解，现在这个定义已经不难理解了。

定义1 向量范数：设V是数域F上的线性空间，且对于V的任一个向量x，对应一个非负实数∥x∥，满足以下条件：

1. 正定性：∥x∥≥0, ∥x∥=0当且仅当x=0
2. 齐次性：∥αx∥=|α|∥x∥,a∈F
3. 三角不等式：对任意x,y∈V，都有∥x+y∥≤∥x∥+∥y∥，则称∥x∥为向量x的范数，[V;∥⋅∥]为赋范空间。

定义2 矩阵范数：设A∈Cm×n，对每一个A，如果对应着一个实函数N(A)，记为∥A∥，它满足以下条件

1. 非负性：∥A∥≥0, 正定性：A=Om×n⇔∥A∥=0

齐次性：∥αA∥=|α|∥A∥,α∈C
三角不等式: ∥A+B∥≤∥A∥∥B∥,∀B∈Cm×n,则称N(A)=∥A∥为A的广义矩阵范数。进一步，若对Cm×n,Cn×l,Cm×l上的同类广义矩阵范数∥⋅∥，有下面的结论：
（矩阵乘法的）相容性：∥AB∥≤∥A∥∥B∥,B∈Cn×l,则称N(A)=∥A∥为A的矩阵范数。