NumPy 计算模 - 向量和矩阵范数的计算方法

在 NumPy 中，可以使用 np.linalg.norm() 函数来计算向量或矩阵的模。np.linalg.norm() 函数的用法如下：

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

其中，参数 x 是要计算模的向量或矩阵，参数 ord 是指定要使用的范数类型，默认为 2 范数（即欧氏距离），参数 axis 是指定沿着哪个轴计算范数，默认为 None 表示计算整个向量或矩阵的范数，参数 keepdims 是否保持维度，默认为 False。

以下是一些示例：

import numpy as np

# 计算向量的 2 范数（欧氏距离）
x = np.array([1, 2, 3])
norm_2 = np.linalg.norm(x)
print(norm_2)  # 输出：3.7416573867739413

# 计算向量的 1 范数（绝对值之和）
norm_1 = np.linalg.norm(x, ord=1)
print(norm_1)  # 输出：6.0

# 计算矩阵的 F 范数（所有元素的平方和的平方根）
A = np.array([[1, 2], [3, 4]])
norm_fro = np.linalg.norm(A)
print(norm_fro)  # 输出：5.477225575051661

# 沿着某个轴计算矩阵的 1 范数
norm_1_axis0 = np.linalg.norm(A, ord=1, axis=0)
print(norm_1_axis0)  # 输出：array([4., 6.])
norm_1_axis1 = np.linalg.norm(A, ord=1, axis=1)
print(norm_1_axis1)  # 输出：array([3., 7.])

以上是计算模的一些常用方式，还可以根据需要选择其他范数类型进行计算。