如何高效对形状为(60000,1,28,28)的ndarray做矩阵L2范数归一化

你的问题出在np.linalg.norm的axis参数选得不对，原代码里axis=0是沿着第一个维度（60000个样本的维度）计算对应位置元素的范数，完全不是每个28×28矩阵自己的L2范数，这就导致后续除法时维度不匹配，还会出现除以0的情况，最终得到大量0和NaN。

正确的做法是指定计算范数的维度为每个样本内部的维度，同时保持维度匹配以便广播：

import numpy as np

# 假设training_data是形状(60000, 1, 28, 28)的ndarray
eps = 1e-8  # 防止除以0
# 计算每个样本的L2范数，axis=(1,2,3)对应每个样本的(1,28,28)维度，keepdims保持维度匹配
norms = np.linalg.norm(training_data, ord=2, axis=(1,2,3), keepdims=True)
# 归一化，加上eps避免范数为0时出现NaN
normalized_training_data = training_data / (norms + eps)

代码说明 #

• axis=(1,2,3)：明确告诉numpy，要对每个样本（第一个维度的每个元素）内部的所有像素值计算L2范数，这样每个样本会得到一个对应的标量范数。
• keepdims=True：让计算出的norms形状保持为(60000,1,1,1)，和原数组(60000,1,28,28)的维度数一致，numpy就能自动完成广播除法，不需要循环。
• 加入eps：如果某个样本的所有像素值都是0，它的L2范数会是0，直接除以0会得到NaN，加一个极小值就能避免这种情况。

内容的提问来源于stack exchange，提问作者Anony mouse