行列式的范数并没有一个通用的定义，因为行列式是一个标量而不是向量。然而，如果我们考虑矩阵的范数，那么可以根据不同的范数定义来计算。以下是几种常见的矩阵范数及其计算方法：

1-范数（列和范数）

定义：矩阵的每一列元素绝对值之和的最大值。

计算公式：$\|A\|_1 = \max_{1 \leq j \leq n} \sum_{i=1}^m |a_{ij}|$

∞-范数（行和范数）

定义：矩阵的每一行元素绝对值之和的最大值。

计算公式：$\|A\|_{\infty} = \max_{1 \leq i \leq m} \sum_{j=1}^n |a_{ij}|$

2-范数（谱范数）

定义：矩阵A的最大奇异值。

计算公式：$\|A\|_2 = \sqrt{\lambda_{\max}（A^T A）}$，其中$\lambda_{\max}（A^T A）$表示矩阵$A^T A$的最大特征值。

Frobenius范数

定义：矩阵所有元素的平方和的平方根。

计算公式：$\|A\|_F = \sqrt{\sum_{i=1}^m \sum_{j=1}^n a_{ij}^2}$

在Python中，可以使用`numpy`库来计算这些范数。例如，计算矩阵A的2-范数可以使用以下代码：

```python

import numpy as np

A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

norm_2 = np.linalg.norm(A, ord=2)

print(norm_2)

```

对于行列式，通常不直接计算其范数，因为行列式是一个标量值，而不是一个向量或矩阵。如果需要计算与行列式相关的范数，可能需要先计算出行列式的值，然后再应用上述向量范数的定义。例如，如果有一个由行列式值组成的向量，那么可以计算这个向量的1-范数或∞-范数等。

总结来说，行列式本身没有范数，但如果考虑与行列式相关的数值，可以根据具体情况计算这些数值的范数。