np.linalg.norm()——范数
linalg=linear（线性）+algebra（代数），norm则表示范数。
函数：
x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)#默认参数ord=None，axis=None，keepdims=False
1. x: 表示矩阵（可以是一维）
2. ord：范数类型
向量的三种范数求法
矩阵的三种范数求法：
| 参数 |
说明 |
| ord=1 |
列和的最大值 |
| ord=2 |
|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根 |
| ord=∞ |
行和的最大值 |
3. axis：处理类型
| 参数 | 说明 |
| axis=None | 表示矩阵范数 |
| axis=1 | 表示按行向量处理，求多个行向量的范数 |
| axis=0 | 表示按列向量处理，求多个列向量的范数 |
4. keepding：是否保持矩阵的二维特性
True表示保持矩阵的二维特性，False相反
例：
import numpy as np
x = np.array([
[1, 2, 3],
[2, 4, 6]])
print "默认参数(矩阵2范数，不保留矩阵二维特性) ：", np.linalg.norm(x)
print "矩阵2范数，保留矩阵二维特性：", np.linalg.norm(x, keepdims=True)
print "矩阵1范数(列和的最大值) ：", np.linalg.norm(x, ord=1,keepdims=True)
print "矩阵2范数(求特征值，然后求最大特征值得算术平方根)：", np.linalg.norm(x, ord=2, keepdims=True)
print "矩阵∞范数(行和的最大值) ：", np.linalg.norm(x, ord=np.inf, keepdims=True)
print "矩阵每个行向量求向量的2范数：", np.linalg.norm(x, axis=1, keepdims=True)
print "矩阵每个列向量求向量的2范数：", np.linalg.norm(x, axis=0, keepdims=True)
print "矩阵每个行向量求向量的1范数：", np.linalg.norm(x, ord=1, axis=1, keepdims=True)
print "矩阵每个列向量求向量的1范数：", np.linalg.norm(x, ord=1, axis=0, keepdims=True)输出：
默认参数(矩阵2范数，不保留矩阵二维特性) ： 8.36660026534
矩阵2范数，保留矩阵二维特性： [[8.36660027]]
矩阵1范数(列和的最大值) ： [[9.]]
矩阵2范数(求特征值，然后求最大特征值得算术平方根)： [[8.36660027]]
矩阵∞范数(行和的最大值) ： [[12.]]
矩阵每个行向量求向量的2范数： [[3.74165739]
[7.48331477]]
矩阵每个列向量求向量的2范数： [[2.23606798 4.47213595 6.70820393]]
矩阵每个行向量求向量的1范数： [[ 6.]
[12.]]
矩阵每个列向量求向量的1范数： [[3. 6. 9.]]