大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
按道理讲，这些东西应该熟记于心的。但是自己真心不喜欢记这种东西，看到一个总结不错的博客，转载过来以便于自己查看把！原文
1. 几种范数
矩阵 X∈Rm×n X∈Rm×n， σi(X) σi(X) 表示 X X 的第 i i 大奇异值（即 XX′ XX′ 的第 i i 大特征值的均方根）{cite recht2010guaranteed}。 r r 表示矩阵 X X 的秩（Rank），也等于 X X 非零奇异值的个数。对维度相同的两个矩阵 X X 和 Y Y，我们定义在 Rm×n Rm×n上的内积为
1. Frobenius范数
矩阵的Frobenius范数又称Hilbert-Schmidt范数，用 ∥⋅∥F ‖⋅‖F 表示。Frobenius范数也等于奇异值向量的Euclidean范数（或称 ℓ2 ℓ2 范数），基于内积 (1) (1)来计算，即
2. 算子范数
矩阵的算子范数（operator norm）也称诱导2范数（ induced 2-norm），等于最大奇异值（也就是奇异值向量的 ℓ∞ ℓ∞ 范数），即
3. 核范数
矩阵的核范数（nuclear norm）等于矩阵奇异值的和，即
核范数通常被称为其他一些名字，如Schatten的 1-norm，Ky Fan的 r-norm，或迹范数（trace class norm）。由于奇异值均非负，核范数等于奇异值向量的 ℓ1 ℓ1 范数。
对于任意秩不超过 r r 的矩阵 X X，以上三种范数满足以下不等式条件
2. 对偶矩阵
对于内积空间上的任意范数 ∥⋅∥ ‖⋅‖，存在一个对偶范数（dual norm） ∥⋅∥d ‖⋅‖d，其定义如下：
特别地，对偶范数的对偶范数为原范数。
对于 Rn Rn 上的向量， ℓp ℓp 范数 1<p<∞ 1<p<∞ 的对偶范数为 ℓq ℓq 范数， p,q p,q 满足 1p+1q=1 1p+1q=1。类似地， ℓ∞ ℓ∞ 的对偶范数为 ℓ1 ℓ1。同样，我们可以推广到我们定义的矩阵范数。例如，Frobenius范数的对偶范数还是Frobenius范数，这可以简单的微积分（或Cauchy-Schwarz）来验证，因为
就等于 ∥X∥F ‖X‖F，且当 Y=X/∥X∥F Y=X/‖X‖F时取得最大值。类似地，算子范数的对偶范数是核范数（后面会具体说明）。
3. 秩和势函数的凸包络
凸包络（Convex envelope）的定义：给定一个凸集 C C，一个函数（可以为非凸的） f:C→R f:C→R 的凸包络为使得对所有 x∈C x∈C 均有 g(x)≤f(x) g(x)≤f(x) 的最大凸函数 g g 。凸包络的定义表明，在所有的凸函数中， g g 是对 f f 最佳的逐点近似。特别的，如果最优的 g g 可以方便的描述出来，函数 f f 近似的最小值可以高效地求得。
由链式不等式 (5) (5)可以得到 对所有 X X 有 rank(X)≥∥X∥∗/∥X∥ rank(X)≥‖X‖∗/‖X‖。对所有 ∥X∥≤1 ‖X‖≤1，均有 rank(X)≥∥X∥∗ rank(X)≥‖X‖∗，因此在算子范数定义的单位球内，核范数是秩函数的较小的凸边界。事实上核范数也是其最紧致的凸边界，即：在集合 X∈Rm×n:∥X∥≤1 X∈Rm×n:‖X‖≤1 上，核范数 ∥X∥∗ ‖X‖∗ 是秩函数 rank(X) rank(X) 的凸包络。
4. 秩的可加性
次可加性（subadditivity）：如果从一个线性空间 S S 映射到 R R 的函数 f f 满足 f(x+y)≤f(x)+f(y) f(x+y)≤f(x)+f(y)。
可加性（additivity）：如果从一个线性空间 S S 映射到 R R 的函数 f f 满足 f(x+y)=f(x)+f(y) f(x+y)=f(x)+f(y)。
对于向量来说，势函数和 ℓ1 ℓ1 范数均满足次可加性。
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/192998.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
