国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

用python實(shí)現(xiàn)矩陣和向量的范數(shù)(包括一范數(shù),二范數(shù),無(wú)窮范數(shù))

這篇具有很好參考價(jià)值的文章主要介紹了用python實(shí)現(xiàn)矩陣和向量的范數(shù)(包括一范數(shù),二范數(shù),無(wú)窮范數(shù))。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方,請(qǐng)大家不吝賜教,您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

首先,導(dǎo)入需要用到的庫(kù):

import numpy as np

創(chuàng)建一個(gè)矩陣和一個(gè)向量并輸出:

# 創(chuàng)建一個(gè)矩陣和一個(gè)向量
matrix = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])

vector = np.array([1, 2, 3])
print(f"矩陣:{matrix}")
print(f"向量:{vector}")

計(jì)算矩陣的第一范數(shù):

# 計(jì)算矩陣的一范數(shù)
matrix_l1_norm = np.linalg.norm(matrix, ord=1)
print(f"矩陣的一范數(shù)為:{matrix_l1_norm}")

計(jì)算矩陣的第二范數(shù):

# 計(jì)算矩陣的二范數(shù)
matrix_l2_norm = np.linalg.norm(matrix, ord=2)
print(f"矩陣的二范數(shù)為:{matrix_l2_norm}")

計(jì)算矩陣的無(wú)窮范數(shù):

# 計(jì)算矩陣的無(wú)窮范數(shù)
matrix_inf_norm = np.linalg.norm(matrix, ord=np.inf)
print(f"矩陣的無(wú)窮范數(shù)為:{matrix_inf_norm}")

計(jì)算向量的第一范數(shù):

# 計(jì)算向量的一范數(shù)
vector_l1_norm = np.linalg.norm(vector, ord=1)
print(f"向量的一范數(shù)為:{vector_l1_norm}")

計(jì)算向量的第二范數(shù):

# 計(jì)算向量的二范數(shù)
vector_l2_norm = np.linalg.norm(vector, ord=2)
print(f"向量的二范數(shù)為:{vector_l2_norm}")

計(jì)算向量的無(wú)窮范數(shù):

# 計(jì)算向量的無(wú)窮范數(shù)
vector_inf_norm = np.linalg.norm(vector, ord=np.inf)
print(f"向量的無(wú)窮范數(shù)為:{vector_inf_norm}")


完整代碼如下:文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-855711.html

import numpy as np

# 創(chuàng)建一個(gè)矩陣和一個(gè)向量
matrix = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])

vector = np.array([1, 2, 3])

print(f"矩陣:{matrix}")
print(f"向量:{vector}")

# 計(jì)算矩陣的一范數(shù)
matrix_l1_norm = np.linalg.norm(matrix, ord=1)
print(f"矩陣的一范數(shù)為:{matrix_l1_norm}")

# 計(jì)算矩陣的二范數(shù)
matrix_l2_norm = np.linalg.norm(matrix, ord=2)
print(f"矩陣的二范數(shù)為:{matrix_l2_norm}")

# 計(jì)算矩陣的無(wú)窮范數(shù)
matrix_inf_norm = np.linalg.norm(matrix, ord=np.inf)
print(f"矩陣的無(wú)窮范數(shù)為:{matrix_inf_norm}")

# 計(jì)算向量的一范數(shù)
vector_l1_norm = np.linalg.norm(vector, ord=1)
print(f"向量的一范數(shù)為:{vector_l1_norm}")

# 計(jì)算向量的二范數(shù)
vector_l2_norm = np.linalg.norm(vector, ord=2)
print(f"向量的二范數(shù)為:{vector_l2_norm}")

# 計(jì)算向量的無(wú)窮范數(shù)
vector_inf_norm = np.linalg.norm(vector, ord=np.inf)
print(f"向量的無(wú)窮范數(shù)為:{vector_inf_norm}")

到了這里,關(guān)于用python實(shí)現(xiàn)矩陣和向量的范數(shù)(包括一范數(shù),二范數(shù),無(wú)窮范數(shù))的文章就介紹完了。如果您還想了解更多內(nèi)容,請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來(lái)自互聯(lián)網(wǎng)用戶投稿,該文觀點(diǎn)僅代表作者本人,不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請(qǐng)注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符,請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋,一經(jīng)查實(shí),立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

  • 矩陣的范數(shù)和特征值之間的關(guān)系

    矩陣的范數(shù)和特征值之間的關(guān)系

    ? ?參考: linear algebra - Why is the norm of a matrix larger than its eigenvalue? - Mathematics Stack Exchange

    2024年02月08日
    瀏覽(18)
  • OpenCV的函數(shù)normalize()的兩個(gè)作用:調(diào)整矩陣的值范圍(歸一化處理)、規(guī)范化矩陣的范數(shù)為某個(gè)值

    OpenCV的函數(shù)normalize()的兩個(gè)作用:調(diào)整矩陣的值范圍(歸一化處理)、規(guī)范化矩陣的范數(shù)為某個(gè)值

    OpenCV的函數(shù)normalize()的兩個(gè)作用:調(diào)整矩陣的值范圍(歸一化處理)、規(guī)范化矩陣的范數(shù)為某個(gè)值 函數(shù)normalize()有兩個(gè)原型: 原型一: 原型二: 原型一的適用對(duì)象是密集矩陣,通常我們的矩陣都是密集矩陣。 原型二的適用對(duì)象是稀疏矩陣,在這篇博文中暫不作介紹。 在介紹各參

    2024年02月06日
    瀏覽(28)
  • 【矩陣論】7. 范數(shù)理論——基本概念——向量范數(shù)與矩陣范數(shù)

    【矩陣論】7. 范數(shù)理論——基本概念——向量范數(shù)與矩陣范數(shù)

    矩陣論的所有文章,主要內(nèi)容參考北航趙迪老師的課件 [注]由于矩陣論對(duì)計(jì)算機(jī)比較重要,所以選修了這門課,但不是專業(yè)搞數(shù)學(xué)的,所以存在很多口語(yǔ)化描述,而且對(duì)很多東西理解不是很正確與透徹,歡迎大家指正。我可能間歇性忙,但有空一定會(huì)回復(fù)修改的。 矩陣論 1

    2023年04月23日
    瀏覽(28)
  • 計(jì)算方法 | 范數(shù)(向量:1范數(shù)、2范數(shù)、無(wú)窮范數(shù);矩陣:行范數(shù)、列范數(shù))

    計(jì)算方法 | 范數(shù)(向量:1范數(shù)、2范數(shù)、無(wú)窮范數(shù);矩陣:行范數(shù)、列范數(shù))

    0范數(shù): 向量中非零元素的個(gè)數(shù)。 1范數(shù): 為絕對(duì)值之和。 2范數(shù): 通常意義上的模。 無(wú)窮范數(shù):取向量的最大值。 行范數(shù):矩陣中每行絕對(duì)值之和的最大值 列范數(shù):矩陣中每列絕對(duì)值之和的最大值 范數(shù)對(duì)于數(shù)學(xué)的意義?1范數(shù)、2范數(shù)、無(wú)窮范數(shù)_yangpan011的博客-CSDN博客_無(wú)窮

    2024年02月15日
    瀏覽(22)
  • 矩陣分析與計(jì)算學(xué)習(xí)記錄-向量范數(shù)與矩陣范數(shù)

    矩陣分析與計(jì)算學(xué)習(xí)記錄-向量范數(shù)與矩陣范數(shù)

    本章知識(shí)重點(diǎn): 向量范數(shù):定義、性質(zhì)、等價(jià)性、分析性質(zhì) 矩陣范數(shù):定義、算子范數(shù) 矩陣范數(shù)與向量范數(shù)的相容性 矩陣的普半徑及應(yīng)用:普半徑、矩陣序列及級(jí)數(shù)中的應(yīng)用 矩陣的條件數(shù)及應(yīng)用:矩陣的條件數(shù)、誤差估計(jì)中的應(yīng)用 范數(shù),是具有“長(zhǎng)度”概念的函數(shù)。 在線

    2024年02月05日
    瀏覽(40)
  • L1范數(shù),L2范數(shù),L2,1范數(shù)(向量范數(shù)、矩陣范數(shù)、正則化)

    L1范數(shù),L2范數(shù),L2,1范數(shù)(向量范數(shù)、矩陣范數(shù)、正則化)

    參考文章如下:https://blog.csdn.net/lqzdreamer/article/details/79676305 ? ? ? ? ? ? ? ? ? ? ? ? ?https://blog.csdn.net/lqzdreamer/article/details/79676305 ? ? ? ? 一般常用范數(shù)來(lái)衡量向量,向量的Lp范數(shù)定義為: ?????????Lp范數(shù)示意圖: ? ? ? ? 從圖中可以看出,p的取值在 [0,1) 之間,范數(shù)

    2023年04月09日
    瀏覽(23)
  • 矩陣和向量的各種范數(shù)(定義 + 例題)

    矩陣的不同范數(shù)的定義如下: 1. 1范數(shù)(L1范數(shù)):矩陣的每一列的絕對(duì)值之和中的最大值。 2. 2范數(shù)(L2范數(shù)):矩陣的特征值中的最大值的平方根。 3. 無(wú)窮范數(shù):矩陣的每一行的絕對(duì)值之和中的最大值。 4. F范數(shù)(Frobenius范數(shù)):矩陣的每個(gè)元素的平方和的平方根。 對(duì)于向

    2024年02月05日
    瀏覽(20)
  • 向量與矩陣范數(shù)的詳細(xì)解讀

    L0范數(shù):向量中非零元素的個(gè)數(shù),也稱為0范數(shù) L1范數(shù):為絕對(duì)值之和,也稱為范數(shù)或者1范數(shù) L2范數(shù):通常意義上的模,也稱為2范數(shù) p范數(shù):即向量元素絕對(duì)值的 p p p 次方和的 1 / p 1/p 1/ p 次冪 ∞ infty ∞ 范數(shù):取向量的最大值 ? ∞ -infty ? ∞ 范數(shù):取向量的最小值 假設(shè)有

    2024年02月09日
    瀏覽(23)
  • <3>【深度學(xué)習(xí) × PyTorch】必會(huì) 線性代數(shù) (含詳細(xì)分析):點(diǎn)積 | 矩陣-向量積 | Hadamard積 | 矩陣乘法 | 范數(shù)/矩陣范數(shù)

    ? 拍照的意義在于你按下快門的那一刻,萬(wàn)里山河的一瞬間變成了永恒。 ? ??作者主頁(yè): 追光者♂?? ???????? ??個(gè)人簡(jiǎn)介: ? ??[1] 計(jì)算機(jī)專業(yè)碩士研究生?? ? ??[2] 2022年度博客之星人工智能領(lǐng)域TOP4?? ? ??[3] 阿里云社區(qū)特邀專家博主?? ? ??[4] CSDN-人工智能領(lǐng)域

    2024年02月05日
    瀏覽(33)
  • 深入理解深度學(xué)習(xí)——正則化(Regularization):作為約束的范數(shù)懲罰

    分類目錄:《深入理解深度學(xué)習(xí)》總目錄 考慮經(jīng)過(guò)參數(shù)范數(shù)正則化的代價(jià)函數(shù): J ~ ( θ ; X , y ) = J ( θ ; X , y ) + α Ω ( θ ) tilde{J}(theta;X, y) = J(theta;X, y) + alphaOmega(theta) J ~ ( θ ; X , y ) = J ( θ ; X , y ) + α Ω ( θ ) 回顧《拉格朗日乘子法(二):不等式約束與KKT條件》我們可以構(gòu)

    2024年02月08日
    瀏覽(19)

覺(jué)得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請(qǐng)作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包