jnp.linalg.norm

jnp.linalg.norm 是 JAX 中用于计算向量或矩阵的范数的函数。JAX 是一个用于高性能机器学习研究的 Python 库，它提供了与 NumPy 类似的 API，但支持自动微分和加速计算。jnp 是 JAX 的 NumPy 接口。

jnp.linalg.norm 的基本语法

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

参数

• x：要计算范数的输入数组。可以是向量（1D 数组）或矩阵（2D 数组）。
• ord：指定要计算的范数的类型。可以是以下值之一：
  • None：默认的欧几里得范数（L2 范数）。
  • 1：L1 范数，向量元素绝对值之和。
  • 2：L2 范数，向量元素平方和的平方根。
  • inf：最大范数，向量元素的最大绝对值。
  • -inf：最小范数，向量元素的最小绝对值。
  • 对于矩阵，ord 可以是以下值之一：
    • 'fro' 或 None：Frobenius 范数（元素平方和的平方根）。
    • 1：列和范数（每列元素绝对值之和的最大值）。
    • inf：行和范数（每行元素绝对值之和的最大值）。
• axis：指定沿哪个轴计算范数。如果为 None，则计算整个数组的范数。对于向量，可以是一个整数；对于矩阵，可以是一个长度为 2 的元组，指定计算的维度。
• keepdims：如果为 True，则在结果中保持原数组的维度。这对于保持与输入数组的形状一致性很有用。

返回值

返回计算后的范数值。如果 axis 为 None，则返回单个值；否则返回按指定轴计算的范数。

示例

计算向量的 L2 范数（默认）

import jax.numpy as jnpx = jnp.array([1, 2, 3])
l2_norm = jnp.linalg.norm(x)
print(l2_norm)  # 输出: 3.7416573867739413

计算向量的 L1 范数

l1_norm = jnp.linalg.norm(x, ord=1)
print(l1_norm)  # 输出: 6.0

计算矩阵的 Frobenius 范数

A = jnp.array([[1, 2, 3], [4, 5, 6]])
frobenius_norm = jnp.linalg.norm(A)
print(frobenius_norm)  # 输出: 9.539392014169456

计算矩阵的列和范数

column_sum_norm = jnp.linalg.norm(A, ord=1)
print(column_sum_norm)  # 输出: 9.0

计算矩阵的行和范数

row_sum_norm = jnp.linalg.norm(A, ord=jnp.inf)
print(row_sum_norm)  # 输出: 15.0

沿指定轴计算范数

计算每列的 L2 范数：

column_l2_norms = jnp.linalg.norm(A, axis=0)
print(column_l2_norms)  # 输出: [4.1231055 5.3851647 6.708204]

计算每行的 L2 范数：

row_l2_norms = jnp.linalg.norm(A, axis=1)
print(row_l2_norms)  # 输出: [ 3.7416575  8.774964 ]

总结

jnp.linalg.norm 是一个强大且灵活的工具，用于计算向量和矩阵的各种范数。通过指定不同的 ord 和 axis 参数，可以计算出不同类型和不同轴上的范数。