TensorFlow基础 - 张量的范数

张量在TensorFlow中是核心的数据结构，它是一种可以用来表示多维数据的数组。在实际应用中，经常需要计算张量的范数，以衡量张量的大小或者“长度”。
一阶范数：一阶范数，也称为L1范数，是指向量中所有元素的绝对值之和。在TensorFlow中，可以使用tf.norm函数来计算一阶范数，具体代码如下：

import tensorflow as tf
# 创建一个张量
tensor = tf.constant([1, -2, 3, -4])
# 计算一阶范数
l1_norm = tf.norm(tensor, ord=1)
print(l1_norm.numpy())  # 输出结果为 10.0

二阶范数：二阶范数，也称为L2范数，是指向量中所有元素的平方和的平方根。在TensorFlow中，可以使用tf.norm函数来计算二阶范数，具体代码如下：

import tensorflow as tf
# 创建一个张量
tensor = tf.constant([1, -2, 3, -4])
# 计算二阶范数
l2_norm = tf.norm(tensor, ord='euclidean')
print(l2_norm.numpy())  # 输出结果为 5.3851653063649256

注意，在tf.norm函数中，我们使用了ord='euclidean'参数来指定计算二阶范数。
无穷阶范数：无穷阶范数是指向量中所有元素的绝对值中的最大值。在TensorFlow中，可以使用tf.norm函数来计算无穷阶范数，具体代码如下：

import tensorflow as tf
# 创建一个张量
tensor = tf.constant([1, -2, 3, -4])
# 计算无穷阶范数
inf_norm = tf.norm(tensor, ord=float('inf'))
print(inf_norm.numpy())  # 输出结果为 4.0

在tf.norm函数中，我们使用了ord=float('inf')参数来指定计算无穷阶范数。
总结：在TensorFlow中，可以使用tf.norm函数来计算张量的范数。根据需要选择合适的范数阶数，可以方便地衡量张量的大小或者“长度”。在实际应用中，一阶范数、二阶范数和无穷阶范数都是比较常用的。通过计算张量的范数，我们可以进行各种操作，比如数据归一化、特征缩放等。