在机器学习中我们通常使用范数来衡量一个向量的大小，其定义如下:%5E%5Cfrac%7B1%7D%7Bp%7D)
其中
，
。
范数是将向量映射到非负值的函数，通俗的说，向量
的范数是衡量从原点到点的距离。
范数，即
，代入上面公式中，严格说数学意义上是不对的，一般来说范数用来表示向量中非零元素的个数（有些情况下我们希望用向量中非零元素的个数来衡量向量的大小）。
范数，即
，有如下：
范数用来表示向量中非零元素绝对值之和，在机器学习问题中，遇到零和非零元素之间的差异性非常重要时候，通常会使用范数。
范数，即
，有如下：%5E%5Cfrac%7B1%7D%7B2%7D)
范数也被成为欧几里得范数，可以表示从原点出发到向量确定点的欧几里得距离。通常被用来做优化目标函数的正则化项，防止模型因迎合训练集而过拟合，提高模型的泛化能力。通常，平方
范数也能用来描述向量大小，可以通过计算点积
。也就是说范数可以描述为%5E%7B%5Cfrac%7B1%7D%7B2%7D%7D)
。
范数，即
，有如下：%5E%5Cfrac%7B1%7D%7B%5Cinfty%20%7D)
范数也被成为最大范数，可以表示向量中具有最大幅值的绝对值。通常写法为：
)
用来衡量矩阵的大小，如：
%5E%5Cfrac%7B1%7D%7B2%7D)
