Python 'tf.keras.utils.normalize（）中的'order'参数是什么意思？

考虑以下代码：

import numpy as np

A = np.array([[.8, .6], [.1, 0]])
B1 = tf.keras.utils.normalize(A, axis=0, order=1)
B2 = tf.keras.utils.normalize(A, axis=0, order=2)

print('A:')
print(A)
print('B1:')
print(B1)
print('B2:')
print(B2)

返回

A:
[[0.8 0.6]
 [0.1 0. ]]
B1:
[[0.88888889 1.        ]
 [0.11111111 0.        ]]
B2:
[[0.99227788 1.        ]
 [0.12403473 0.        ]]

---

我了解如何通过

order=1

计算

B1

，从而将

A

中的每个条目除以其列中的元素之和。例如，

0.8

变为

0.8/（0.8+0.1）=0.888

。然而，我不知道顺序=2如何产生B2，也找不到任何关于它的文档。

顺序1规范化输入，使所有元素的绝对值之和为1（输入的L1范数等于1）。顺序2规范化输入，使所有元素的平方值之和为1（输入的L2范数等于1）。

在

顺序

参数中传递顺序2，意味着您将应用蒂霍诺夫正则化通常称为L2或脊线。L1和L2是不同的正则化技术，它们的优点和缺点都可以在和中详细阅读。L2的方法是在计算剩余平方和时，加上一个额外的项λβTβ，它是转置矩阵β的平方（这就是为什么它被称为L2，因为sqaure）

然而，我只是不知道order=2如何生成B2，也找不到任何关于它的文档

order=1

表示L1标准，而

order=2

表示L2标准。对于L2范数，需要在对各个平方求和后取平方根。哪些元素要平方取决于轴

Keras

A = np.array([[.8, .6], [.1, 0]])
B2 = tf.keras.utils.normalize(A, axis=0, order=2)
print(B2)

array([[0.99227788, 1.        ],
       [0.12403473, 0.        ]])

手册

B2_manual = np.zeros((2,2))
B2_manual[0][0] = 0.8/np.sqrt(0.8 ** 2 + 0.1 ** 2)
B2_manual[1][0] = 0.1/np.sqrt(0.8 ** 2 + 0.1 ** 2)
B2_manual[0][1] = 0.6/np.sqrt(0.6 ** 2 + 0 ** 2)
B2_manual[1][1] =  0 /np.sqrt(0.6 ** 2 + 0 ** 2)
print(B2_manual)

array([[0.99227788, 1.        ],
       [0.12403473, 0.        ]])

您可以在此处查找不同类型的规范： 工作实例：

根据它调用的引擎盖下的numpy，您可以查看该页面的“注释”部分，以了解

顺序

参数的说明