L^p範數

图中的${\displaystyle q}$即是${\displaystyle L_{p}}$范数中的${\displaystyle p}$。这是当${\displaystyle p}$取不同值时，在${\displaystyle \mathbb {R} ^{2}}$空间上的${\displaystyle L_{p}}$-范数等高线的其中一条。该图展现了各${\displaystyle L_{p}}$-范数的形状。

• ${\displaystyle p=-\infty }$: ${\displaystyle \lVert {\vec {x}}\rVert _{\infty }=\lim _{p\to -\infty }{\Bigl (}\sum \limits _{i=1}^{n}|x_{i}|^{p}{\Bigr )}^{1/p}=\min _{i}|x_{i}|}$。
• ${\displaystyle p=0}$：${\displaystyle \lVert {\vec {x}}\rVert _{0}=\sum _{i=1}^{n}\left[x_{i}\neq 0\right]}$，也就是所有${\displaystyle x_{i}}$中，不等于零的个数。注意，这里的${\displaystyle L_{0}}$-范数并非通常意义上的范数（不满足三角不等式或次可加性）。[1]
• ${\displaystyle p=1}$：${\displaystyle \lVert {\vec {x}}\rVert _{1}=\sum \limits _{i=1}^{n}|x_{i}|}$，即${\displaystyle L_{1}}$-范数是向量各分量绝对值之和，又称曼哈顿距离。
• ${\displaystyle p=2}$: ${\displaystyle \lVert {\vec {x}}\rVert _{2}={\sqrt {\sum \limits _{i=1}^{n}|x_{i}|^{2}}}}$，此即欧氏距离。
• ${\displaystyle p=+\infty }$: ${\displaystyle \lVert {\vec {x}}\rVert _{\infty }=\lim _{p\to +\infty }{\Bigl (}\sum \limits _{i=1}^{n}|x_{i}|^{p}{\Bigr )}^{1/p}=\max _{i}|x_{i}|}$，此即无穷范数或最大范数，亦称切比雪夫距离。

在机器学习中，为了对抗过拟合、提高模型的泛化能力，可以通过向目标函数当中引入参数向量的${\displaystyle L_{p}}$-范数来进行正则化。其中最常用的是引入${\displaystyle L_{1}}$-范数的${\displaystyle L_{1}}$-正则项和引入${\displaystyle L_{2}}$-范数的${\displaystyle L_{2}}$-正则项；前者有利于得到稀疏解，后者有利于得到平滑解。