网站优化公司上海,营销型网站排,贷款app定制开发,地址二地址三2021变更定义
L0 范数#xff08;L0-Norm#xff09;
L0 范数并不是真正意义上的一个范数#xff0c;因为它不满足范数的三角不等式性质#xff0c;但它在数学优化和信号处理等领域有着实际的应用。L0 范数指的是向量中非零元素的个数。它通常用来度量向量的稀疏性。数学上表示为…定义
L0 范数L0-Norm
L0 范数并不是真正意义上的一个范数因为它不满足范数的三角不等式性质但它在数学优化和信号处理等领域有着实际的应用。L0 范数指的是向量中非零元素的个数。它通常用来度量向量的稀疏性。数学上表示为
[ |x|_0 \text{number of non-zero elements in } x ]
例如向量 (x [1, 0, 2, 0, 3]) 的 L0 范数是 3因为该向量中有三个非零元素。
L1 范数L1-Norm
L1 范数也被称作曼哈顿距离或者稀疏规则算子lasso regularization。它是向量中所有元素的绝对值之和。L1 范数会偏向产生少量的特征而其他的特征都是0能够用于特征选择常用于稀疏编码、压缩感知等领域。数学上表示为
[ |x|1 \sum{i1}^{n} |x_i| ]
例如向量 (x [1, -2, 3]) 的 L1 范数就是 (|1| |-2| |3| 6)即向量中各元素绝对值之和。
Python 示例
我们现在使用 Python 来计算一个向量的 L0 范数和 L1 范数。
# -*- coding: utf-8 -*-Created on Mon Feb 19 21:55:07 2024author: 李立宗公众号计算机视觉之光知识星球计算机视觉之光import numpy as np# 定义一个向量
x np.array([1, -2, 0, 3])# 计算 L0 范数非零元素的个数
l0_norm np.count_nonzero(x)# 计算 L1 范数元素绝对值的和
l1_norm np.sum(np.abs(x))print(L0 范数:, l0_norm)
print(L1 范数:, l1_norm)这段代码首先导入了 NumPy 库并定义了一个向量 x。然后它使用 np.count_nonzero 函数来计算非零元素的个数即 L0 范数。接着该代码使用 np.sum 函数和 np.abs 函数来计算所有元素的绝对值之和即 L1 范数。最后两个范数的结果被打印出来。 相关博文
理解并实现OpenCV中的图像平滑技术
OpenCV中的边缘检测技术及实现
OpenCV识别人脸案例实战
入门OpenCV图像阈值处理
我的图书
下面两本书欢迎大家参考学习。
OpenCV轻松入门
李立宗OpenCV轻松入门电子工业出版社2023 本书基于面向 Python 的 OpenCV(OpenCV for Python)介绍了图像处理的方方面面。本书以 OpenCV 官方文档的知识脉络为主线并对细节进行补充和说明。书中不仅介绍了 OpenCV 函数的使用方法还介绍了函数实现的算法原理。
在介绍 OpenCV 函数的使用方法时提供了大量的程序示例并以循序渐进的方式展开。首先直观地展示函数在易于观察的小数组上的使用方法、处理过程、运行结果方便读者更深入地理解函数的原理、使用方法、运行机制、处理结果。在此基础上进一步介绍如何更好地使用函数处理图像。在介绍具体的算法原理时本书尽量使用通俗易懂的语言和贴近生活的实例来说明问题避免使用过多复杂抽象的公式。
本书适合计算机视觉领域的初学者阅读包括在校学生、教师、专业技术人员、图像处理爱好者。 本书第1版出版后深受广大读者朋友的喜爱被很多高校选为教材目前已经累计重印9次。为了更好地方便大家学习对本书进行了修订。
计算机视觉40例
李立宗计算机视觉40例电子工业出版社2022 近年来我深耕计算机视觉领域的课程研发工作在该领域尤其是OpenCV-Python方面积累了一点儿经验。因此我经常会收到该领域相关知识点的咨询内容涵盖图像处理的基础知识、OpenCV工具的使用、深度学习的具体应用等多个方面。为了更好地把所积累的知识以图文的形式分享给大家我将该领域内的知识点进行了系统的整理编写了本书。希望本书的内容能够对大家在计算机视觉方向的学习有所帮助。 本书以OpenCV-Pythonthe Python API for OpenCV为工具以案例为载体系统介绍了计算机视觉从入门到深度学习的相关知识点。 本书从计算机视觉基础、经典案例、机器学习、深度学习、人脸识别应用等五个方面对计算机视觉的相关知识点做了全面、系统、深入的介绍。书中共介绍了40余个经典的计算机视觉案例其中既有字符识别、信息加密、指纹识别、车牌识别、次品检测等计算机视觉的经典案例也包含图像分类、目标检测、语义分割、实例分割、风格迁移、姿势识别等基于深度学习的计算机视觉案例还包括表情识别、驾驶员疲劳监测、易容术、识别年龄和性别等针对人脸的应用案例。 在介绍具体的算法原理时本书尽量使用通俗易懂的语言和贴近生活的示例来说明问题避免使用复杂抽象的公式来介绍。 本书适合计算机视觉领域的初学者阅读适于在校学生、教师、专业技术人员、图像处理爱好者使用。
