feat: add some reference

5-deep_learning/0-深度学习面试题.md

@@ -35,7 +35,8 @@
   - [16.2，如何判断深度学习模型是否过拟合](#162如何判断深度学习模型是否过拟合)
   - [16.3，欠拟合怎么解决](#163欠拟合怎么解决)
   - [16.4，如何判断模型是否欠拟合](#164如何判断模型是否欠拟合)
-- [十七，L1 和 L2 区别](#十七l1-和-l2-区别)
+- [十七，L1 和 L2 范数区别](#十七l1-和-l2-范数区别)
+  - [参考资料学习](#参考资料学习)
 - [十八，TensorFlow计算图概念](#十八tensorflow计算图概念)
 - [十九，BN（批归一化）的作用](#十九bn批归一化的作用)
 - [二十，什么是梯度消失和爆炸](#二十什么是梯度消失和爆炸)
@@ -520,17 +521,21 @@ Layer Name = conv5, Output size =  14, Stride =   1, RF size = 139
 + 数据集配置的问题；
 + 训练方法出错（初学者经常碰到，原因千奇百怪）。
 
-## 十七，L1 和 L2 区别
+## 十七，L1 和 L2 范数区别
 
-L1 范数（`L1 norm`）是指向量中各个元素绝对值之和，也有个美称叫“稀疏规则算子”（Lasso regularization）。 比如 向量 A=[1，-1，3]， 那么 A 的 L1 范数为 |1|+|-1|+|3|。简单总结一下就是：
+$L1$ 范数（`L1 norm`）是指向量中各个元素绝对值之和，也有个美称叫“稀疏规则算子”（Lasso regularization）。 比如 向量 $A=[1，-1，3]$， 那么 A 的 $L1$ 范数为 $|1|+|-1|+|3|$。简单总结一下就是：
 
-+ L1 范数: 为向量 x 各个元素绝对值之和。
-+ L2 范数: 为向量 x 各个元素平方和的 1/2 次方，L2 范数又称 Euclidean 范数或 Frobenius 范数
-+ Lp 范数: 为向量 x 各个元素绝对值 $p$ 次方和的 $1/p$ 次方.
++ $L1$ 范数: 为向量 $x$ 各个元素绝对值之和。
++ $L2$ 范数: 为向量 $x$ 各个元素平方和的 $\frac{1}{2}$ 次方，$L2$ 范数又称 Euclidean 范数或 Frobenius 范数
++ $L_{p}$ 范数: 为向量 $x$ 各个元素绝对值 $p$ 次方和的 $1/p$ 次方。$L_{p}$ 范数定义为: $||x||_{p} = (\sum_{i=1}^{n} |x_i|^{p})^\frac{1}{p}$
 
-在支持向量机学习过程中，L1 范数实际是一种对于成本函数求解最优的过程，因此，L1 范数正则化通过向成本函数中添加 L1 范数，使得学习得到的结果满足稀疏化，从而方便人类提取特征。
+在支持向量机学习过程中，$L1$ 范数实际是一种对于成本函数求解最优的过程，因此，$L1$ 范数正则化通过向成本函数中添加 $L1$ 范数，使得学习得到的结果满足稀疏化，从而方便人类提取特征。
 
-`L1` 范数可以使权值参数稀疏，方便特征提取。 L2 范数可以防止过拟合，提升模型的泛化能力。
+$L1$ 范数可以使权值参数稀疏，方便特征提取。 $L2$ 范数可以防止过拟合，提升模型的泛化能力。
+
+### 参考资料学习
+1. [浅谈L0,L1,L2范数及其应用](http://t.hengwei.me/post/%E6%B5%85%E8%B0%88l0l1l2%E8%8C%83%E6%95%B0%E5%8F%8A%E5%85%B6%E5%BA%94%E7%94%A8.html)
+2. [L1和L2 详解(范数、损失函数、正则化)](https://zhuanlan.zhihu.com/p/137073968)
 
 ## 十八，TensorFlow计算图概念