数据预处理

数据预处理在众多深度学习算法中都起着重要的作用。

一、数据归一化

数据与处理中的第一步是数据归一化，常采用如下方法：

• 简单缩放
• 逐样本消减
• 特征标准化

1、简单缩放

实现目的：目的是为了通过对数据的每一个维度的值进行重新调节（维度之间是相互独立地），使得最重的结果能够落在某一具体的区间内，常用区间为【0,1】【-1，1】*（为什么采用这个区间有待探究）*。
理论原理：  ？
实现过程：  ？？

2、逐样本均值消减（中心化）

如果当数据是相当平稳的（数据每一个维度都服从相同的分布），即可以考虑在每个样本上减去数据的统计平均值。  
对于图像，我们常采用此种归一化来一出图像的平均亮度，因为很多情况下图像的亮度对特征提取影响不大，但是对于彩色图像处理时，应避免采用此种方法，因为不同彩色通道中的像素并不都存在平稳性。

3、特征标准化

特征标准化指的是使得数据没一个维度都具有零均值和单位方差，这是在归一化处理中最常使用的。  
具体实现：首先计算每一个维度上的均值，之后在每一个维度上都减去该均值，下一步便是在数据的每一维度上除以该维度数据上的标准差。

二、白化