归一化、标准化、零均值化作用

归一化：

        将某个特征的值映射到[0,1]之间，消除量纲对最终结果的影响，使不同的特征具有可比性，使得原本可能分布相差较大的特征对模型有相同权重的影响，提升模型的收敛速度，深度学习中数据归一化可以防止模型梯度爆炸。

标准化：

        将原值减去均值后除以标准差，使得得到的特征满足均值为0，标准差为1的正态分布，使得原本可能分布相差较大的特征对模型有相同权重的影响。举个例子，在KNN中，需要计算待分类点与所有实例点的距离。假设每个实例（instance）由n个features构成。如果选用的距离度量为欧式距离，数据预先没有经过归一化，那些绝对值大的features在欧式距离计算的时候起了决定性作用。

        从经验上说，标准化后，让不同维度之间的特征在数值上有一定比较性，得出的参数值的大小可以反应出不同特征对样本label的贡献度，可以大大提高分类器的准确性。

具体应该选择归一化还是标准化呢？

•         在计算距离中发挥相同的作用，应该选择标准化，标准化更适合现代嘈杂大数据场景。
•         如果想保留原始数据中由标准差所反映的潜在权重关系，或数据不符合正态分布时，选 择归一化。

 零均值化：

        将每个像素的值减去训练集上所有像素值的平均值，比如已计算得所有像素点的平均值为128，所以减去128后，现在的像素值域即为[-128,127]，即满足均值为零。

        可以避免“Z型更新”的情况，这样可以加快神经网络的收敛速度。。