线性相关和子空间 是线性代数中一组向量问题中的相关概念。
就是求下面这一个等式： Ax = b ----- 式1

生成子空间

  如果逆矩阵 A−1 存在，那么式1 肯定对于每一个向量 b 恰好存在一个解。但是，对于方程组而言，对于向量 b 的某些值，有可能不存在解，或者存在无限多个解。存在多于一个解但是少于无限多个解的情况是不可能发生的；因为如果 x 和y 都是某方程组的解，则

z = αx + (1 − α)y                  （其中 α 取任意实数）也是该方程组的解。

  为了分析方程有多少个解，我们可以将 A 的列向量看作是从 原点（origin）（元素都是零的向量）出发的不同方向，确定有多少种方法可以到达向量 b。在这个观点下，向量 x 中的每个元素表示我们应该沿着这些方向走多远，即 xi 表示我们需要沿着第 i 个向量的方向走多远：

这种操作被称为 线性组合。形式上，一组向量的线性组合，是指每个向量乘以对应标量系数之后的和，即：

一组向量的生成子空间是原始向量线性组合后所能抵达的点的集合。

线性相关

---

  也就是说 b 是 由 A 中的列向量移动x 的距离求和后得到的一个点。A 的列数越多，所代表的空间的维度越大。

---

  所以要想使矩阵可逆，我们需要保证式1对于每一个b值至多有一个解，如果有多个解，矩阵A就是不可逆矩阵。为此，我们需要确保该矩阵至多有m个列向量。否则，该方程会有不止一个解。

---

  综上，A必须是一个方阵，即 m == n ,并且所有列向量都是线性无关的。一个列向量线性无关的方阵被称为 奇异的。

范数

在机器学习，通过 范数 来衡量一个向量的大小。在形式上，Lp范数定义如下 p >= 1：

  是将向量映射到非负值的函数。直观上来说，向量x的范数衡量从原点到点x的距离。更严格的说，范数是满足下列任意性质的任意函数：

三角不等式，即两边之和大于等于第三边。。。orz

平方 L2 范数在数学和计算上都比 L2 范数本身更方便。例如，平方 L2 范数对x 中每个元素的导数只取决于对应的元素，而 L2 范数对每个元素的导数却和整个向量相关。但是在很多情况下，平方 L2 范数也可能不受欢迎，因为它在原点附近增长得十分缓慢。在某些机器学习应用中，区分恰好是零的元素和非零但值很小的元素是很重要的。在这些情况下，我们转而使用在各个位置斜率相同，同时保持简单的数学形式的函数： L1 范数。 L1 范数可以简化如下：

当机器学习中零与非零的差异非常重要的时候，通常会使用L1范数。每当x中某个元素从0增加learning-rate 的时候，对应的L1范数也会增加learning-rate。