具體的解析，可以參考原文。

————————————————

可以參考原文連結：https://blog.csdn.net/jinping_shi/article/details/52433975

1-範數：是指向量（矩陣）裡面非零元素的個數。類似於求棋盤上兩個點間的沿方格邊緣的距離。

||x||1 = sum（abs(xi)）；

2-範數（或Euclid範數）：是指空間上兩個向量矩陣的直線距離。類似於求棋盤上兩點見的直線距離 （無需只沿方格邊緣）。

||x||2 = sqrt(sum(xi.^2))；

∞－範數(或最大值範數)：顧名思義，求出向量矩陣中其中模最大的向量。

||x||∞ = max(abs(xi))；

PS.由於不能敲公式，所以就以虛擬碼的形式表明三種範數的演算法，另外加以文字說明，希望樓主滿意。相互學習，共同進步~

通俗的來說就是:

兩個範數都是作為懲罰項新增到代價函數里面，透過抑制權重引數而達到防止過擬合的作用！

差異:

一範數比較狠（和dropout一樣狠），直接產生稀疏矩陣，使得部分特徵的權重為0，也就是失去作用。

二範數溫柔一些，沒有直接把權重變成0，透過權重衰減的方式來抑制權重。

至於哪個更好？雖然目前一範數用的比較少，但本渣不認為就說明它更差，具體情況具體考慮吧，比如從降維的角度考慮，一範數就能很好地篩選特徵。