今天不讲原理了，我感觉写一大堆，让大家也理解不透
简要说一下：
- 不仅仅极大提升了训练速度，收敛过程大大加快；
- 还能增加分类效果，一种解释是这是类似于Dropout的一种防止过拟合的正则化表达方式，所以不用Dropout也能达到相当的效果；
- 另外调参过程也简单多了，对于初始化要求没那么高，而且可以使用大的学习率等。
在网上还找到一些比较不错的图，可以启发
数据做预处理
可以用 normalization 归一化 ，或者 standardization 标准化，
用来将数据的不同 feature 转换到同一范围内，
normalization 归一化 ：将数据转换到 [0, 1] 之间，
standardization 标准化：转换后的数据符合标准正态分布
为什么要做归一化和标准化？
不同的特征具有不同数量级的数据，它们对线性组合后的结果的影响所占比重就很不相同，数量级大的特征显然影响更大。
文章来源: kings.blog.csdn.net，作者：人工智能博士，版权归原作者所有，如需转载，请联系作者。
原文链接：kings.blog.csdn.net/article/details/109390059