Hướng dẫn np linalg norm python example - ví dụ về np linalg norm python
Ma trận hoặc chỉ tiêu vector. Show Hàm này có thể trả về một trong tám chỉ tiêu ma trận khác nhau hoặc một trong số số chỉ tiêu vectơ vô hạn (được mô tả bên dưới), tùy thuộc vào giá trị của tham số Mảng đầu vào. Nếu trục không có, x phải là 1-D hoặc 2-D, trừ khi ord không. Nếu cả trục và ord không có, 2 bình thường của Thứ tự của định mức (xem bảng theo Nếu trục là một số nguyên, nó chỉ định trục của X dọc theo đó để tính toán các chỉ tiêu vectơ. Nếu trục là 2-tuple, nó chỉ định các trục giữ ma trận 2 chiều và các chỉ tiêu ma trận của các ma trận này được tính toán. Nếu trục không có thì chỉ định vectơ (khi x là 1-d) hoặc định mức ma trận (khi x là 2-d) được trả về. Mặc định là không có. Mới trong phiên bản 1.8.0. Keepdimsbool, tùy chọnbool, optionalNếu điều này được đặt thành True, các trục được định mức được để lại trong kết quả là kích thước với kích thước một. Với tùy chọn này, kết quả sẽ phát sóng chính xác so với x ban đầu. Mới trong phiên bản 1.10.0. ReturnSnfloat hoặc ndarraynfloat or ndarrayĐịnh mức của ma trận hoặc vectơ. Ghi chú Đối với các giá trị của >>> 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) 2.00, kết quả là, nói đúng, không phải là một toán học ‘định mức, nhưng nó vẫn có thể hữu ích cho các mục đích số khác nhau. Các chỉ tiêu sau đây có thể được tính toán:
-
chuẩn mực hạt nhân Inf Max (sum (abs (x), trục = 1)) 1Min (tổng (abs (x), trục = 1)) sum (x! = 0) >>> 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 Max (sum (abs (x), trục = 0)) >>> 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.]) như sau >>> 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) Làm thế nào sử dụng numpy linalg Norm Python?Hàm này trả về một trong bảy chỉ tiêu ma trận hoặc một trong các chỉ tiêu vectơ vô hạn tùy thuộc vào giá trị của các tham số của nó ... Cú pháp: numpy.linalg.norm (x, ord = none, trục = không). Parameters:. x: đầu vào .. Ord: thứ tự của định mức .. NP linalg Norm () làm gì?Trong Numpy, NP.Linalg.hàm định mức () được sử dụng để tính toán một trong tám chỉ tiêu ma trận khác nhau hoặc một trong các chỉ tiêu vectơ.calculate one of the eight different matrix norms or one of the vector norms.
Làm thế nào để bạn viết các tiêu chuẩn trong Python?Ký hiệu cho định mức L1 của vectơ X là ‖x‖1.Để tính toán định mức, bạn cần lấy tổng các giá trị vectơ tuyệt đối.Định mức L1 cho cả hai vectơ giống như chúng tôi xem xét các giá trị tuyệt đối trong khi tính toán nó.‖x‖1. To calculate the norm, you need to take the sum of the absolute vector values. The L1 norm for both the vectors is the same as we consider absolute values while computing it.
Scipy Linalg Norm làm gì?định mức.Ma trận hoặc chỉ tiêu vector.Hàm này có thể trả về một trong tám chỉ tiêu ma trận khác nhau hoặc một trong số số chỉ tiêu vectơ vô hạn (được mô tả bên dưới), tùy thuộc vào giá trị của tham số ord.return one of eight different matrix norms, or one of an infinite number of vector norms (described below), depending on the value of the ord parameter. |