# 向量范数

向量范数（Vector Norm）是数学中用来度量向量大小的一种工具。不同的范数对向量的各个分量进行不同的处理，从而反映向量在不同意义下的长度或大小。以下是一些常用的向量范数：

1. **L1范数（Manhattan Norm）**：
   * 定义：$$| \mathbf{x} |1 = \sum{i=1}^n |x\_i|$$
   * 描述：L1范数是向量各个分量绝对值之和。
   * 应用：在稀疏表示、特征选择等领域中常用。
2. **L2范数（Euclidean Norm）**：
   * 定义：$$| \mathbf{x} |2 = \left( \sum{i=1}^n |x\_i|^2 \right)^{1/2}$$
   * 描述：L2范数是向量各个分量平方和的平方根。
   * 应用：在几何学和物理中，L2范数是最常用的度量向量长度的方式。
3. **无穷范数（Infinity Norm）**：
   * 定义：$$| \mathbf{x} |\_\infty = \max\_i |x\_i|$$
   * 描述：无穷范数是向量中分量绝对值的最大值。
   * 应用：在优化和误差分析中常用。
4. **p-范数**：
   * 定义：$$| \mathbf{x} |p = \left( \sum{i=1}^n |x\_i|^p \right)^{1/p}$$
   * 描述：p-范数是向量各个分量绝对值的p次方和的1/p次方。
   * 应用：可以根据不同的p值调整度量方式，p取不同值会得到不同的范数。

#### 例子

设向量 $$\mathbf{x} = \[x\_1, x\_2, \ldots, x\_n]$$，以下是不同范数的计算示例：

* 对于向量$$\mathbf{x} = \[1, -2, 3]$$：
  * L1范数：$$|\mathbf{x} |\_1 = |1| + |-2| + |3| = 1 + 2 + 3 = 6$$
  * L2范数：$$| \mathbf{x} |\_2 = \sqrt{1^2 + (-2)^2 + 3^2} = \sqrt{1 + 4 + 9} = \sqrt{14}$$
  * 无穷范数：$$| \mathbf{x} |\_\infty = \max(|1|, |-2|, |3|) = 3$$

#### Python实现

可以使用NumPy库计算向量的不同范数：

```python
import numpy as np

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

# L1范数
l1_norm = np.linalg.norm(x, ord=1)
print("L1 Norm:", l1_norm)

# L2范数
l2_norm = np.linalg.norm(x, ord=2)
print("L2 Norm:", l2_norm)

# 无穷范数
inf_norm = np.linalg.norm(x, ord=np.inf)
print("Infinity Norm:", inf_norm)

# p-范数（例如p=3）
p = 3
p_norm = np.linalg.norm(x, ord=p)
print(f"L{p} Norm:", p_norm)
```

#### 输出结果

```plaintext
L1 Norm: 6.0
L2 Norm: 3.7416573867739413
Infinity Norm: 3.0
L3 Norm: 3.3019272488946263
```

这些范数提供了度量向量大小的不同方式，根据具体应用场景的需求选择合适的范数来进行计算和分析。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://laus-organization.gitbook.io/numerical-analysis-implementations-in-python/fan-shu/xiang-liang-fan-shu.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.