当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python dask.array.linalg.norm用法及代码示例


用法:

dask.array.linalg.norm(x, ord=None, axis=None, keepdims=False)

矩阵或向量范数。

此文档字符串是从 numpy.linalg.norm 复制的。

可能存在与 Dask 版本的一些不一致之处。

根据ord 参数的值,此函数能够返回八种不同的矩阵范数之一,或无限数量的向量范数之一(如下所述)。

参数

xarray_like

输入数组。如果axis 为无,则x 必须为一维或二维,除非ord 为无。如果 axisord 都为 None,则将返回 x.ravel 的 2-norm。

ord{非零整数,inf,-inf,‘fro’, ‘nuc’},可选

规范的顺序(参见 Notes 下的表格)。 inf 表示 numpy 的 inf 对象。默认值为无。

axis{无,整数,整数的 2 元组},可选。

如果axis 是整数,它指定x 的轴,沿该轴计算向量范数。如果axis 是一个 2 元组,它指定保存二维矩阵的轴,并计算这些矩阵的矩阵范数。如果axis 为无,则返回向量范数(当x 为一维时)或矩阵范数(当x 为二维时)。默认值为无。

keepdims布尔型,可选

如果将其设置为 True,则规范化的轴将作为尺寸为 1 的尺寸留在结果中。使用此选项,结果将针对原始 x 正确广播。

返回

n浮点数或 ndarray

矩阵或向量的范数。

注意

对于 ord < 1 的值,严格来说,结果不是数学上的 ‘norm’,但它对于各种数值目的可能仍然有用。

可以计算以下规范:

ord

矩阵的范数

向量的范数

None

弗罗贝尼乌斯范数

2范数

‘fro’

弗罗贝尼乌斯范数

-

‘nuc’

核规范

-

inf

最大值(总和(绝对值(x),轴 = 1))

最大值(绝对值(x))

-inf

最小值(总和(绝对值(x),轴 = 1))

最小(绝对值(x))

0

-

总和(x!= 0)

1

最大值(总和(绝对值(x),轴 = 0))

如下

-1

最小值(总和(绝对值(x),轴 = 0))

如下

2

2-范数(最大单值)

如下

-2

最小奇异值

如下

other

-

总和(abs(x)**ord)**(1./ord)

Frobenius 范数由 [1] 给出:

\(||A||_F = [\sum_{i,j} abs(a_{i,j})^2]^{1/2}\)

核范数是奇异值的总和。

Frobenius 和核范数阶都只为矩阵定义,并在 x.ndim != 2 时引发 ValueError 。

参考

1

G. H. Golub 和 C. F. Van Loan,矩阵计算,马里兰州巴尔的摩,约翰霍普金斯大学出版社,1985 年,第 页。 15

例子

>>> from numpy import linalg as LA  
>>> a = np.arange(9) - 4  
>>> a  
array([-4, -3, -2, ...,  2,  3,  4])
>>> b = a.reshape((3, 3))  
>>> b  
array([[-4, -3, -2],
       [-1,  0,  1],
       [ 2,  3,  4]])
>>> LA.norm(a)  
7.745966692414834
>>> LA.norm(b)  
7.745966692414834
>>> LA.norm(b, 'fro')  
7.745966692414834
>>> LA.norm(a, np.inf)  
4.0
>>> LA.norm(b, np.inf)  
9.0
>>> LA.norm(a, -np.inf)  
0.0
>>> LA.norm(b, -np.inf)  
2.0
>>> LA.norm(a, 1)  
20.0
>>> LA.norm(b, 1)  
7.0
>>> LA.norm(a, -1)  
-4.6566128774142013e-010
>>> LA.norm(b, -1)  
6.0
>>> LA.norm(a, 2)  
7.745966692414834
>>> LA.norm(b, 2)  
7.3484692283495345
>>> LA.norm(a, -2)  
0.0
>>> LA.norm(b, -2)  
1.8570331885190563e-016 # may vary
>>> LA.norm(a, 3)  
5.8480354764257312 # may vary
>>> LA.norm(a, -3)  
0.0

使用 axis 参数计算向量范数:

>>> c = np.array([[ 1, 2, 3],  
...               [-1, 1, 4]])
>>> LA.norm(c, axis=0)  
array([ 1.41421356,  2.23606798,  5.        ])
>>> LA.norm(c, axis=1)  
array([ 3.74165739,  4.24264069])
>>> LA.norm(c, ord=1, axis=1)  
array([ 6.,  6.])

使用 axis 参数计算矩阵范数:

>>> m = np.arange(8).reshape(2,2,2)  
>>> LA.norm(m, axis=(1,2))  
array([  3.74165739,  11.22497216])
>>> LA.norm(m[0, :, :]), LA.norm(m[1, :, :])  
(3.7416573867739413, 11.224972160321824)

相关用法


注:本文由纯净天空筛选整理自dask.org大神的英文原创作品 dask.array.linalg.norm。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。