Tensorflow快餐教程(5) - 范数

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)
5.477225575051661

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
'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 ‖ x ‖ p = ( ∑ i | x i | p ) 1 p
其中， p∈ℝ,p≥1 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 L 2 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 ‖ x ‖ 2 简写成 ‖x‖ ‖ 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 f ( x ) = 0 ⇒ x = 0
2. f(x+y)≤f(x)+f(y) 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) ∀ α ∈ R , f ( α x ) = | α | f ( x )

范数的推广

除了 L2 L 2 范数之外，在机器学习中还常用 L1 L 1 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 L 0 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 L 1 范数。

我们来看下 L1 L 1 范数的例子：

>>> sess.run(tf.norm(a03,ord=1))
10.0

另外，还有一个范数是 L∞ 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,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‖ ‖ x ‖ ，满足以下条件：
1. 正定性： ‖x‖≥0 ‖ x ‖ ≥ 0 , ‖x‖=0 ‖ x ‖ = 0 当且仅当x=0
2. 齐次性： ‖αx‖=|α|‖x‖,a∈F ‖ α x ‖ = | α | ‖ x ‖ , a ∈ F
3. 三角不等式：对任意 x,y∈V x , y ∈ V ，都有 ‖x+y‖≤‖x‖+‖y‖ ‖ x + y ‖ ≤ ‖ x ‖ + ‖ y ‖ ，则称 ‖x‖ ‖ x ‖ 为向量x的范数， [V;‖⋅‖] [ V ; ‖ ⋅ ‖ ] 为赋范空间。

定义2 矩阵范数：设 A∈Cm×n A ∈ C m × n ，对每一个A，如果对应着一个实函数N(A)，记为 ‖A‖ ‖ A ‖ ，它满足以下条件：
1. 非负性： ‖A‖≥0 ‖ A ‖ ≥ 0 , 正定性： A=Om×n⇔‖A‖=0 A = O m × n ⇔ ‖ A ‖ = 0
2. 齐次性： ‖αA‖=|α|‖A‖,α∈C ‖ α A ‖ = | α | ‖ A ‖ , α ∈ C
3. 三角不等式: ‖A+B‖≤‖A‖‖B‖,∀B∈Cm×n ‖ A + B ‖ ≤ ‖ A ‖ ‖ B ‖ , ∀ B ∈ C m × n ,则称N(A)= ‖A‖ ‖ A ‖ 为A的广义矩阵范数。进一步，若对 Cm×n,Cn×l,Cm×l C m × n , C n × l , C m × l 上的同类广义矩阵范数 ‖⋅‖ ‖ ⋅ ‖ ，有下面的结论：
4. （矩阵乘法的）相容性： ‖AB‖≤‖A‖‖B‖,B∈Cn×l ‖ A B ‖ ≤ ‖ A ‖ ‖ B ‖ , B ∈ C n × l ,则称 N(A)=‖A‖ N ( A ) = ‖ A ‖ 为A的矩阵范数。