在Python中，norm() 函数用于计算向量的范数。范数是一个用于度量向量大小的函数，常用于机器学习和数学领域。
norm() 函数可以通过 numpy 库中的 linalg 模块来调用。它接受两个参数：向量和范数的类型。
范数的类型可以是以下几种：
None 或者 np.inf：计算向量的无穷范数，即向量中绝对值最大的元素。
-np.inf：计算向量的负无穷范数，即向量中绝对值最小的元素。
0：计算向量的 0 范数，即向量中非零元素的个数。
1：计算向量的 1 范数，即向量中所有元素的绝对值之和。
2：计算向量的 2 范数，即向量中所有元素的平方和的平方根。
以下是 norm() 函数的用法示例：
import numpy as np
# 创建一个向量
vector = np.array([1, 2, 3, 4, 5])
# 计算向量的无穷范数
inf_norm = np.linalg.norm(vector, np.inf)
print("无穷范数:", inf_norm)
# 计算向量的负无穷范数
neg_inf_norm = np.linalg.norm(vector, -np.inf)
print("负无穷范数:", neg_inf_norm)
# 计算向量的0范数
zero_norm = np.linalg.norm(vector, 0)
print("0范数:", zero_norm)
# 计算向量的1范数
one_norm = np.linalg.norm(vector, 1)
print("1范数:", one_norm)
# 计算向量的2范数
two_norm = np.linalg.norm(vector, 2)
print("2范数:", two_norm)
输出结果：
无穷范数: 5.0
负无穷范数: 1.0
0范数: 5.0
1范数: 15.0
2范数: 7.416198487095663
注意，norm() 函数还可以用于计算矩阵的范数，用法类似。