L0范數 表示向量中非零元素的個數
L1范數 表示向量x中非零元素的絕對值之和。L1范數有很多的名字，例如我們熟悉的曼哈頓距離、最小絕對誤差等。
使用L1范數可以度量兩個向量間的差異，如絕對誤差和（Sum of Absolute Difference）：
一個例子，如下展示了兩個二維向量（x1、x2）的L1范數。
L2范數 表示向量元素的平方和再開平方,我們用的最多的度量距離歐氏距離就是一種L2范數。在回歸里面，有人把有它的回歸叫“嶺回歸”（Ridge Regression），有人也叫它“權值衰減weight decay”。
像L1范數一樣，L2也可以度量兩個向量間的差異，如平方差和（Sum of Squared Difference）：
一個例子，如下展示了兩個二維向量（x1、x2）的L2范數。
L2范數通常會被用來做優化目標函數的正則化項，防止模型為了迎合訓練集而過於復雜造成過擬合的情況，從而提高模型的泛化能力。
L-∞范數 它主要被用來度量向量元素的最大值。也叫切比雪夫距離
范數=點到坐標零點的距離
切比雪夫距離，通俗來講就是兩個向量在每個維度上差值的最大值。
一個例子，如下展示了兩個二維向量（x1、x2）的L2范數（切比雪夫距離）。
