一、定义
首先分别列举常用的向量范数和矩阵范数的定义。

• 向量范数
  

1-范数：

，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。
2-范数：
，Euclid范数（欧几里得范数，常用计算向量长度），即向量元素绝对值的平方和再开方，matlab调用函数norm(x, 2)。
-范数：，即所有向量元素绝对值中的最大值，matlab调用函数norm(x, inf)。

-范数：
，即所有向量元素绝对值中的最小值，matlab调用函数norm(x, -inf)。


p-范数：
，即向量元素绝对值的p次方和的1/p次幂，matlab调用函数norm(x, p)。

• 矩阵范数
  

1-范数：
， 列和范数，即所有矩阵列向量绝对值之和的最大值，matlab调用函数norm(A, 1)。

2-范数：，为的最大特征值。
，谱范数，即A'A矩阵的最大特征值的开平方。matlab调用函数norm(x, 2)。

-范数：
，行和范数，即所有矩阵行向量绝对值之和的最大值，matlab调用函数norm(A, inf)。


F-范数：
，Frobenius范数，即矩阵元素绝对值的平方和再开平方，matlab调用函数norm(A, ’fro‘)。

核范数(nuclear norm)：是A的奇异值。
即奇异值之和，也称迹范数（trace norm）。


二、什么是范数？

      我们知道距离的定义是一个宽泛的概念，只要满足非负、自反、三角不等式就可以称之为距离。范数是一种强化了的距离概念，它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解，我们可以把范数当作距离来理解。

       在数学上，范数包括向量范数和矩阵范数，向量范数表征向量空间中向量的大小，矩阵范数表征矩阵引起变化的大小。一种非严密的解释就是，对应向量范数，向量空间中的向量都是有大小的，这个大小如何度量，就是用范数来度量的，不同的范数都可以来度量这个大小，就好比米和尺都可以来度量远近一样；对于矩阵范数，学过线性代数，我们知道，通过运算，AX=B，可以将向量X变化为B，矩阵范数就是来度量这个变化大小的。这里简单地介绍以下几种向量范数的定义和含义

1、 L-P范数
与闵可夫斯基距离的定义一样，L-P范数不是一个范数，而是一组范数，其定义如下：

根据P 的变化，范数也有着不同的变化，一个经典的有关P范数的变化图如下：

上图表示了p从无穷到0变化时，三维空间中到原点的距离（范数）为1的点构成的图形的变化情况。以常见的L-2范数（p=2）为例，此时的范数也即欧氏距离，空间中到原点的欧氏距离为1的点构成了一个球面。

实际上，在0≤p<1时，Lp并不满足三角不等式的性质，也就不是严格意义下的范数。以p=0.5，二维坐标(1,4)、(4,1)、(1,9)为例：

因此这里的L-P范数只是一个概念上的宽泛说法。

2、L0范数
当P=0时，也就是L0范数，由上面可知，L0范数并不是一个真正的范数，它主要被用来度量向量中非零元素的个数。用上面的L-P定义可以得到的L-0的定义为：

这里就有点问题了，我们知道非零元素的零次方为1，但零的零次方，非零数开零次方都是什么鬼，很不好说明L0的意义，所以在通常情况下，大家都用的是：

||x||0=||x||0=#(i|xi≠0)(i|xi≠0)

表示向量xx中非零元素的个数。

对于L0范数，其优化问题为：

min||x||0

s.t. Ax=b

在实际应用中，由于L0范数本身不容易有一个好的数学表示形式，给出上面问题的形式化表示是一个很难的问题，故被人认为是一个NP难问题。所以在实际情况中，L0的最优问题会被放宽到L1或L2下的最优化。

3、L1范数
L1范数是我们经常见到的一种范数，它的定义如下：

||x||1=∑i|xi|||x||1=∑i|xi|

表示向量xx中非零元素的绝对值之和。

L1范数有很多的名字，例如我们熟悉的曼哈顿距离、最小绝对误差等。使用L1范数可以度量两个向量间的差异，如绝对误差和（Sum of Absolute Difference）：

SAD(x1,x2)=∑i|x1i−x2i|

对于L1范数，它的优化问题如下：

min||x||1

s.t.Ax=b

由于L1范数的天然性质，对L1优化的解是一个稀疏解，因此L1范数也被叫做稀疏规则算子。通过L1可以实现特征的稀疏，去掉一些没有信息的特征，例如在对用户的电影爱好做分类的时候，用户有100个特征，可能只有十几个特征是对分类有用的，大部分特征如身高体重等可能都是无用的，利用L1范数就可以过滤掉。

4、L2范数
L2范数是我们最常见最常用的范数了，我们用的最多的度量距离欧氏距离就是一种L2范数，它的定义如下：

表示向量元素的平方和再开平方。
像L1范数一样，L2也可以度量两个向量间的差异，如平方差和（Sum of Squared Difference）:

SSD(x1,x2)=∑i(x1i−x2i)2

对于L2范数，它的优化问题如下：

min||x||2

s.t.Ax=b

L2范数通常会被用来做优化目标函数的正则化项，防止模型为了迎合训练集而过于复杂造成过拟合的情况，从而提高模型的泛化能力。

5、L-∞范数，它主要被用来度量向量元素的最大值。用上面的L-P定义可以得到的L∞的定义为：

与L0一样，在通常情况下，大家都用的是：

||x||∞=max(|xi|)

来表示L∞

参考
链接：https://www.zhihu.com/question/20473040/answer/102907063
链接：http://blog.csdn.net/shijing_0214/article/details/51757564