《AI安全之对抗样本入门》—1.1.5　范数

1.1.5　范数

范数是一种强化了的距离概念，通常为了提高模型的抗过拟合能力被加入到损失函数中，下面介绍常见的几种范数的定义。

1. L0范数

L0范数并不是一个真正的范数，它主要用于度量向量中非零元素的个数。在对抗样本中，L0范数通常指的是对抗样本相对原始图片，所修改像素的个数。

2. L1范数

L1范数有很多的名字，例如曼哈顿距离、最小绝对误差等。使用L1范数可以度量两个向量间的差异，表示向量中非零元素的绝对值之和。

3. L2范数

L2范数是我们最常用的范数，欧氏距离就是一种L2范数，表示向量元素的平方和再开方。在对抗样本中，L2范数通常指的是对抗样本相对原始图片，所修改像素的变化量的平方和再开方。

4. 无穷范数

无穷范数也被记作Linf，主要用于度量向量元素的最大值。在对抗样本中，Linf范数通常指的是对抗样本相对原始图片，所修改像素的变化量绝对值的最大值。