深度学习时，对数据归一化的作用？

当我们进行深度学习训练时，往往希望数据越接近正态分布越好，这样训练效果就会明显提升。
事实上，我们正在谈论数据标准化。 这是一种特征处理方法，使所有标准化特征满足N(0, 1)的标准正态分布。
例如 如果你的一个特征是10000，一个特征是0.2，当这两个输入到任何学习模型中时，学习速度都会很慢。 如果两个特征之一为0.1，另一个为0.3，学习速度就会加快。
对于数据本身来说，没有强制要求必须满足正态分布的条件，除非是非正常分布。 但为了加速融合进程，可以采用标准化。
有一种深度神经网络学习Batch Normalization，它对每一层的数据进行归一化。 这也是为了避免梯度消失，使每一层更加独立，不受前一层的影响。