np.linalg.norm()用于求范数，linalg本意为linear(线性) + algebra(代数)，norm则表示范数。
用法np.linalg.norm(x, ord=None, axis=None, keepdims=False)
1.x: 表示矩阵(一维数据也是可以的~)
2.ord: 表示范数类型
向量的范数：
矩阵的向量：
ord=1：表示求列和的最大值
ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根
ord=∞：表示求行和的最大值
ord=None：表示求整体的矩阵元素平方和，再开根号
3.axis：
| 参数 | 含义 |
|---|---|
| 0 | 表示按列向量来进行处理，求多个列向量的范数 |
| 1 | 表示按行向量来进行处理，求多个行向量的范数 |
| None | 表示整个矩阵的范数 |
4.keepdims：表示是否保持矩阵的二位特性，True表示保持，False表示不保持，默认为False
例子1.默认状态下：
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X))
Result：
2.改变axis：
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=1))
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=0))
3.改变ord：
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, ord=1))
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, ord=2))
4.改变keepdims：
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=0, keepdims=True))
import numpy as np X = [[1, 2, 3], [4, 5, 6]] print(np.linalg.norm(X, axis=0))
希望这篇文章对大家的学习有所帮助！
