std::inner_product + std::sqrt 是最直接的L2范数计算方式；标准库无现成l2_norm()，但inner_product可高效算向量与自身的点积（即平方和），再开方即得模长，语义清晰且边界安全。
std::inner_product + std::sqrt 是最直接的模长计算方式
标准库没有 l2_norm() 这样的现成函数，但 std::inner_product 天然适合算平方和——它把向量和自身做点积，再开方就是 L2 模长。比手写循环更安全（自动处理迭代器边界），语义也更清晰。
- 对
std::vector<double></double>或std::vector<float></float>，传入相同范围的两个迭代器：v.begin()和v.end() - 第四个参数必须是
0.0（初始值），第五、六个参数默认就是std::plus()和std::multiplies()，可省略 - 别用
std::pow(x, 2)替代x * x：慢，还可能引入额外浮点误差 - 示例：
std::vector<double> v = {3.0, 4.0, 0.0};<br>double norm = std::sqrt(std::inner_product(v.begin(), v.end(), v.begin(), 0.0)); // 得 5.0
归一化必须先检查零向量
归一化本质是每个分量除以模长，而零向量模长为 0，直接除会触发 inf 或 nan，且不报错——这是最常见的静默崩溃点。
- 务必在除法前判断：
if (norm == 0.0) throw std::logic_error("zero vector"); - 浮点比较不能用
==判绝对零，但对归一化场景，业务上通常明确禁止零向量输入，直接判norm == 0.0更合理 - 如果向量是
std::array或固定长度，可考虑用 SIMD 加速平方和计算；但对多数场景，std::inner_product足够快，不必过早优化
大数或小数时模长易溢出，得用缩放法
当向量含接近 1e200 或 1e-200 的值时，x * x 直接平方会得到 inf 或 0.0，导致 std::sqrt 失效。
C++ Code Review Master
下载
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
- 标准做法是先找最大绝对值
max_abs，再逐项计算(x / max_abs) * (x / max_abs)，最后乘回max_abs - C++17 起支持
std::hypot(x, y, z, ...)，但它只接受固定数量参数，无法用于动态长度向量 - Eigen 用户直接用
vec.norm()即可——它底层已做数值稳定处理，比手写更可靠 - 常见错误现象：
float向量算大值时中间结果溢出为inf，最终sqrt(inf) == inf
Eigen 的 normalized() 和 normalize() 区别要分清
如果你已在项目中用 Eigen，别自己重算模长——但要注意两个成员函数行为不同：
立即学习“C++免费学习笔记（深入）”；
-
vec.normalized()返回新向量，原向量不变；vec.normalize()就地修改，返回引用 - 两者都调用内部优化过的
norm()，已处理极端值缩放，数值稳定性远超手写 - 注意内存布局：Eigen 默认是列优先，但对单列/单行向量不影响归一化逻辑
- 若未用 Eigen，硬引入只为归一化不值得；但若已有依赖，
vec.normalized()是最简、最稳的选择
实际写的时候，最容易被忽略的是零向量检查和浮点溢出边界——它们不会编译报错，但会在特定输入下悄悄让结果失效。归一化不是“算完就完”，而是“算得稳才算完”。
