参考文章如下：https://blog.csdn.net/lqzdreamer/article/details/79676305

                         https://blog.csdn.net/lqzdreamer/article/details/79676305

        一般常用范数来衡量向量，向量的Lp范数定义为：

         Lp范数示意图：

        从图中可以看出，p的取值在 [0,1) 之间，范数不具有凸性，实际优化过程中，无法进行，一般会把L0范数转化为L1范数。

        L0范数是指向量x中的非0个数，是一种度量向量的稀疏性的表示方法。例如：x=[1,1,0,1]，

        L1范数是向量中元素的绝对值之和，也是一种度量向量的稀疏性的表示方法。

        矩阵的L1范数定义为：所有矩阵列向量绝对值之和的最大值

        矩阵的L2范数定义为：矩阵的最大特征值的开方

        其中λi为的特征值。

        矩阵的F范数定义为：矩阵元素绝对值的平方和再开方

        矩阵的L2,1范数定义为：矩阵A的每一行的L2范数之和

        在最小化问题中，只有每一行的L2范数都最小总问题才最小，而每一个函数取得最小的含义是，当行内尽可能多的元素为0的时候，约束才可以取到最小。

        为了避免过拟合，我们常会给简单的函数加一个偏移，假如有两个函数都可以很好的拟合数据，我们会倾向于使用简单的那个，可以通过添加一个正则项来实现，也就是范数，常用形式：

        其中λ是正则系数，表示想要正则化的程度。

        根据范数的定义，我们可以知道权重越大，范数越大，也就是说最小化范数可以得到一个相对简单的函数。总结来说，最小化权重的范数可以让过拟合函数变简单。

        通过给我们最小化目标函数添加范数，可以促使拟合出权重较小的函数，带来了正则效应，提升了数据的泛化性。

        在特征选择中，通过稀疏化的特征选择矩阵来选取特征，相当于是一种线性变换。 

        一行代表一个数据点，每一列代表一个特征分量。