Numpy Linald Norm

I maskinlæring er det tidvis nødvendig å bestemme eller kvantifisere matrisen eller vektorstørrelsen. Det kan oppnås ved hjelp av en ling -normteknikk i Numpy. Vi vil demonstrere hvordan du bruker NP Linald Norm -teknikken for å bestemme normene til matrisen eller vektoren gjennom hele artikkelen.

Hva er den numpy ling -normen?

Matriksnormen eller vektornormer beregnes ved hjelp av Numpy Linald Norm -teknikken. Hensikten med denne funksjonen, som også er inkludert i Numpy Library, er å beregne normene. Som et resultat kan en av vektornormer eller åtte av matriksnormene beregnes ved å bruke den. Selv om matriksnormer ikke er noe mer enn en utvidelse av vektor norm, eksisterer de likevel. I tillegg kan det beregne uendelige vektornormer.

Syntaks av numpy ling -norm

Lining Norm -funksjonens syntaks er vist nedenfor etter Python -standardene.

De fire inngangsparametrene for denne funksjonen er listet opp nedenfor:

• X er en inngangsoppstilling.
• Ord står for 'ordre.'
• Matriksnormer for matriser beregnes hvis aksen er en 2-tuple.
• Keepdims mottar enten en 'sann' eller 'falsk' verdi. Hvis verdien er sann, holdes de normerte over aksene i resultatet som dimensjoner med størrelse 1. Ellers holder utfallet aksene som ble normert over.

Nå kan du oppdage noen eksempler på å løse problemer i de neste seksjonene.

Eksempel 1:

La oss bruke Numpy.Lining.Norm () Funksjon for å identifisere normen til en vektor eller til og med en matrise. Denne funksjonen brukes konsekvent for å returnere en flottør eller en rekke normverdier når matrisen brukes som inngang. Se på koden.

Her importerte vi vektoren som 'vec = numpy.Arranger (10) 'Før du importerer Numpy -modulen. Den konstruerte matrisen ble deretter levert som en parameter til Numpy.Lining.Norm () -funksjon, som returnerte resultatet og ble lagret i utgangsvariabelen. Vi skrev ut utfallet i den endelige uttalelsen som du kan se nedenfor.

Importer numpy
vec = numpy.Arange (10)
res = numpy.Lining.Norm (VEC)
trykk (res)

Koden genererte følgende utgang:

Eksempel 2:

La oss skaffe meg en 1-D-matrise og numpy ling.Norm () Nå. Her vil vi demonstrere hvordan vi kan beregne vektorer eller en matriks norm i en endimensjonal numpy matrise ved hjelp av Numpy.Lining.Norm () Metode. For å begynne, la oss bygge en matrise ved hjelp av numpy.Array () -metode. Se koden i prøven nedenfor.

Importer numpy
arr_d = numpy.Array ([6, 8, 12, 16, 22, 28, 32])
res_arr = numpy.Lining.Norm (ARR_D)
trykk (res_arr)

Vi har importert den nødvendige modulen, Numpy, inn i koden. Deretter produserte vi en 1-D-matrise, som er synlig i den andre linjen i programmets kode. Det er 7 verdier i matrisen. Disse er [6, 8, 12, 16, 22, 28, 32]. Neste, vi bruker ling.Norm () Metode til den nyoppførte 1-D-matrisen som vi ga til denne funksjonen og deretter rapportere utfallet. I kodens endelige linje benyttet vi utskriftserklæringen for å gjøre dette.

Her kan du se resultatet.

Eksempel 3:

I eksemplet over har vi brukt en 1-D-matrise og Numpy Linald.Norm () Funksjon. La oss prøve den samme funksjonen nå med en 2-D-matrise. 2-D-matrisen brukes her som input og gjør at funksjonen produserer en flottør eller kanskje en rekke normverdier. Se koden forklart nedenfor.

Etter å ha importert Numpy-modulen, har vi konstruert en 2-D-matrise i dette tilfellet. Denne matrisen inkluderer verdiene [1, 5, 11] og [4, 8, 12]. Nå, ved hjelp av 2-D-matrisen vi utarbeidet tidligere, får vi linjen.Norm (). Endelig brukte vi utskriftskommandoen for å vise utfallet. Full kildekode er gitt nedenfor.

Importer numpy
new_arr = numpy.Array ([[1, 5, 11], [4, 8, 12]])
res_arr = numpy.Lining.Norm (new_arr)
trykk (res_arr)

Følgende resultat genereres fra ovennevnte kode:

Eksempel 4:

En Numpy Array's Matrix Norm kan også beregnes sammen med en valgt akse. Vi bruker Axis = 0 -alternativet via ling.Norm () Funksjon for å få matriksnormen for rader. Tilsvarende bruk akse = 1 for å bestemme matriksnormen for hver kolonne. Axis-argumentet vil bli gitt som en 2-tuple av heltallverdier.

For å hjelpe deg med å få konseptet bedre, vil vi dele koden i mange porsjoner og forklare hver og en hver for seg. Se koden nedenfor som er vedlagt.

Her konstruerte vi matrisen og importerte Numpy -modulen. Verdiene i matrisen 'Array _One' er [5, 9, 11] og [6, 10, 22]. Etter det oppnår vi verdiene som returneres av Linalg.Norm () over kolonnen og for hver av de to radene. Som du ser mottar metoden den ny genererte matrisen sammen med en akse som er satt til 1. Vi viste utfallet i den endelige linjen etter å ha lagret det i en annen matrise kalt “RES_ARR.”

Resultatet er gitt nedenfor.

La oss nå se hvordan linjen.Norm () -funksjonen brukes på rader. Vi vil demonstrere hvordan vi skal få linjen.Norm () Verdier for hver av de tre kolonnene og hver rad ved hjelp av den medfølgende koden nedenfor. Som du kan se, er funksjonens parametere den ny genererte matrisen og aksen, som er satt til 0.

Vi har nå vist utfallet.

I stedet vil vi forklare hvordan du bruker en 2-D-matrise sammen med aksen for å bestemme en vektorens numpy norm. Den gjenværende koden er den samme som koden over, med unntak av at siden vi bruker en 2-D-matrise, er aksen satt til (0,1). Her er koden:

Nedenfor er det resulterende skjermbildet vedlagt.

Det komplette kodeprogrammet er vedlagt nedenfor.

Importer numpy
array_one = numpy.Array ([[5, 9, 11], [6, 10, 22]])
res_arr = numpy.Lining.Norm (Array_one, Axis = 1)
trykk (res_arr)
array_two = numpy.Lining.Norm (Array_one, Axis = 0)
print (array_two)
array_three = numpy.Lining.Norm (Array_one, Axis = (0,1))
print (array_three)

Konklusjon

Denne opplæringen ble opprettet for å gjennomgå Numpy Linald Norm. Vi har gitt detaljer om Python -funksjonen numpy.Lining.Norm () å finne en matrise eller vektornorm. Det gir en av de uendelige vektornormer, og det avhenger av hva som ble gitt som en inngang.