User:Zhenlige/RTT notes: Difference between revisions
Created page with "'''注意：本页面为公开的个人笔记，内容可能存在中英夹杂、前后联系不清晰等现象。''' '''Note: This page contains public personal notes, and m..." |
No edit summary |
||
| Line 10: | Line 10: | ||
定理：欧式范数的对偶为自身。证明：显然。 | 定理：欧式范数的对偶为自身。证明：显然。 | ||
定理：<math>p</math>范数<math>\|\vec{a}\|_p=\left(\ | 定理：<math>p</math>范数<math>\|\vec{a}\|_p=\left(\sum_i|a_i|^p\right)^\frac1p,p>1</math>的对偶范数为<math>q</math>范数，其中<math>q=\frac{p}{p-1}</math>。1范数的对偶为∞范数<math>\|\vec{a}\|_\infty=\lim\limits_{p\to\infty}\|\vec{a}\|_p=\max|a_i|</math>。 | ||
证明：注意到<math>(p-1)(q-1)=1</math>。考虑函数<math>f_p(\vec{a})=\ | 证明：注意到<math>(p-1)(q-1)=1</math>。考虑函数<math>f_p(\vec{a})=\sum_i|a_i|^p=\|\vec{a}\|_p^p</math>，其梯度为<math>\nabla f_p(\vec{a})=p\begin{bmatrix}a_1^{p-1}&a_2^{p-1}&\cdots&a_n^{p-1}\end{bmatrix}^\mathrm{T}</math>。 | ||
对于任意向量<math>\vec{a}=\begin{bmatrix}a_1&a_2&\cdots&a_n\end{bmatrix}^\mathrm{T}</math>，考虑向量<math>\vec{b}=\begin{bmatrix}a_1^{p-1}&a_2^{p-1}&\cdots&a_n^{p-1}\end{bmatrix}^\mathrm{T}</math> | 对于任意向量<math>\vec{a}=\begin{bmatrix}a_1&a_2&\cdots&a_n\end{bmatrix}^\mathrm{T}</math>，考虑向量<math>\vec{b}=\begin{bmatrix}\mathrm{sgn}(a_1)|a_1|^{p-1}&\mathrm{sgn}(a_2)|a_2|^{p-1}&\cdots&\mathrm{sgn}(a_n)|a_n|^{p-1}\end{bmatrix}^\mathrm{T}</math>，得: | ||
<math>\|\vec{a}\|_p\|\vec{b}\|_q=\left(|a_1|^p+|a_2|^p+\cdots+|a_n|^p\right)^\frac1p\left(|a_1|^{(p-1)q}+|a_2|^{(p-1)q}+\cdots+|a_n|^{(p-1)q}\right)^\frac1q</math> <math> =\left(|a_1|^p+|a_2|^p+\cdots+|a_n|^p\right)^\frac1p\left(|a_1|^p+|a_2|^p+\cdots+|a_n|^p\right)^\frac{p-1}{p}</math> <math> =|a_1|^p+|a_2|^p+\cdots+|a_n|^p</math> <math> =\vec{a}\cdot\vec{b}</math> | |||
由于<math>\vec{b}\parallel\nabla f(\vec{a})</math> | |||
== ''p''范数调律 ''p''-norm tuning == | == ''p''范数调律 ''p''-norm tuning == | ||
Revision as of 01:33, 10 April 2025
注意：本页面为公开的个人笔记，内容可能存在中英夹杂、前后联系不清晰等现象。
Note: This page contains public personal notes, and may show phenomenons like mixing Chinese and English or fuzzy connections between contents.
[math]\displaystyle{ \vec{a} }[/math]：向量vector [math]\displaystyle{ \overleftarrow{a} }[/math]：covector
对偶范数 dual norm
若向量范数[math]\displaystyle{ f(\vec{a}),g(\vec{b}) }[/math]使[math]\displaystyle{ g(\vec{b})=\sup\left\{x\Big|x=\frac{\vec{a}\cdot\vec{b}}{f(\vec{a})},\vec{a}\neq\vec{0}\right\} }[/math]且[math]\displaystyle{ f(\vec{a})=\sup\left\{x\Big|x=\frac{\vec{a}\cdot\vec{b}}{f(\vec{b})},\vec{b}\neq\vec{0}\right\} }[/math]，则称[math]\displaystyle{ f,g }[/math]为对偶范数。
定理：欧式范数的对偶为自身。证明：显然。
定理：[math]\displaystyle{ p }[/math]范数[math]\displaystyle{ \|\vec{a}\|_p=\left(\sum_i|a_i|^p\right)^\frac1p,p>1 }[/math]的对偶范数为[math]\displaystyle{ q }[/math]范数，其中[math]\displaystyle{ q=\frac{p}{p-1} }[/math]。1范数的对偶为∞范数[math]\displaystyle{ \|\vec{a}\|_\infty=\lim\limits_{p\to\infty}\|\vec{a}\|_p=\max|a_i| }[/math]。
证明：注意到[math]\displaystyle{ (p-1)(q-1)=1 }[/math]。考虑函数[math]\displaystyle{ f_p(\vec{a})=\sum_i|a_i|^p=\|\vec{a}\|_p^p }[/math]，其梯度为[math]\displaystyle{ \nabla f_p(\vec{a})=p\begin{bmatrix}a_1^{p-1}&a_2^{p-1}&\cdots&a_n^{p-1}\end{bmatrix}^\mathrm{T} }[/math]。
对于任意向量[math]\displaystyle{ \vec{a}=\begin{bmatrix}a_1&a_2&\cdots&a_n\end{bmatrix}^\mathrm{T} }[/math]，考虑向量[math]\displaystyle{ \vec{b}=\begin{bmatrix}\mathrm{sgn}(a_1)|a_1|^{p-1}&\mathrm{sgn}(a_2)|a_2|^{p-1}&\cdots&\mathrm{sgn}(a_n)|a_n|^{p-1}\end{bmatrix}^\mathrm{T} }[/math]，得:
[math]\displaystyle{ \|\vec{a}\|_p\|\vec{b}\|_q=\left(|a_1|^p+|a_2|^p+\cdots+|a_n|^p\right)^\frac1p\left(|a_1|^{(p-1)q}+|a_2|^{(p-1)q}+\cdots+|a_n|^{(p-1)q}\right)^\frac1q }[/math] [math]\displaystyle{ =\left(|a_1|^p+|a_2|^p+\cdots+|a_n|^p\right)^\frac1p\left(|a_1|^p+|a_2|^p+\cdots+|a_n|^p\right)^\frac{p-1}{p} }[/math] [math]\displaystyle{ =|a_1|^p+|a_2|^p+\cdots+|a_n|^p }[/math] [math]\displaystyle{ =\vec{a}\cdot\vec{b} }[/math]
由于[math]\displaystyle{ \vec{b}\parallel\nabla f(\vec{a}) }[/math]