source: https://blog.csdn.net/qq_29540745/article/details/53102095
1.向量的范数：
0范数，向量中非零元素的个数。
1范数，为绝对值之和。
2范数，就是通常意义上的模。
无穷范数，就是取向量的最大值。
但是向量的范数和矩阵的范数关系不大，百度了好久也没看到狠心的东西，下面我来总结一下：
矩阵的范数：（是矩阵之间距离度量的方法）
矩阵的1范数（norm(A,1)）：在矩阵的各个列中，指绝对值之和最大的那个列（的绝对值之和），举例子一目了然：
A=[0 1 0;1 0 0;-1 0 0]
A =
0 1 0
1 0 0
-1 0 0
>> norm(A,1)
ans =
2
矩阵的2范数（norm(A,2)）：指矩阵A与矩阵A的转置相乘后得到B，再对矩阵B的最大特征值开方，还是例子：
A=[0 1 0;1 0 0;-1 0 0];
>> B=A*A';
>> [V,D]=eig(B)%V是特征向量，D是特征值
V =
0 1.0000 0
-0.7071 0 -0.7071
-0.7071 0 0.7071
D =
0 0 0
0 1 0
0 0 2
>> sqrt(2)
ans =
1.4142
>> norm(A,2)
ans =
1.4142
既然矩阵的2范数是距离度量的一种，那么矩阵的2范数越小，则两矩阵的相似性越大。由于知识有限，解释的不好见谅（没有看出2范数和欧氏距离的关系）。（比网上那些讲得迷迷糊糊好点吧）
---------------------
