L2归一化
L2归一化，也被称为L2范数归一化或欧几里德范数归一化，是一种常见的向量归一化方法。在机器学习和数据处理中经常使用。
L2归一化将一个向量除以其L2范数，使得向量的长度（模）等于1。L2范数是指向量元素的平方和的平方根。
具体地，对于一个n维向量x = [x1, x2, ..., xn]，进行L2归一化的计算步骤如下：
- 计算向量x的L2范数：||x||₂ = sqrt(x₁² + x₂² + ... + xn²)
- 将向量x的每个分量除以L2范数：x_normalized = [x1/||x||₂, x2/||x||₂, ..., xn/||x||₂]
这样处理后，x_normalized的L2范数将等于1，向量的方向保持不变，但长度（模）被归一化为1。
L2归一化在许多机器学习任务中有用处，特别是当不同特征之间具有不同的尺度时。它可以确保所有特征都以相似的比例进行考虑，并且防止某些特征对模型的影响过大。同时，L2归一化还有助于增加数据的稳定性和模型的鲁棒性。