归一化主要是应用于没有距离计算的地方上,标准化则是使用在不关乎权重的地方上,因为各自丢失了距离信息和权重信息
归一化的好处：
1.避免数值问题。 2.使网络快速的收敛。 3.样本数据的评价标准不一样，需要对其量纲化，统一评价标准4.bp中常采用sigmoid函数作为转移函数，归一化能够防止净输入绝对值过大引起的神经元输出饱和现象 。
5.保证输出数据中数值小的不被吞食 。
什么时候用归一化，什么时候用标准化：
1.如果对输出结果范围有要求，用归一化
2.如果数据较为稳定，不存在极端的最大最小值，用归一化
3.如果数据存在异常值和较多噪音，用标准化，可以间接通过中心化避免异常值和极端值的影响
为了形象的说明两者的区别，可以如下这么理解
所谓“归一”，注意“一”，就是把数据归到（0，1）这个区间内。
常用的方法有： min-max归一化y=(x-min)/(max-min)所谓“标准”，就是标准正态分布，把数据转换成标准正态分布。
常用的方法有：z-score标准化，即零-均值标准化，y=(x-μ)/σ
深度学习归一化问题：
好处：
1、缩小输入空间，从而降低调参难度；
2、防止梯度爆炸/消失，从而加速网络收敛。
BN因为在前馈的时候缩小了输入空间，而前馈时的输入空间又直接影响了反馈计算时的梯度状况。所以说，BN其实帮助减缓了梯度问题。
计算方法：
1、计算批处理数据的均值和方差；
2、并据此对该批数据做 规范化；
3、乘上缩放矩阵，并加上平移向量 。
一.不同点
标准差与权重:某个指标数据对应的数据集标准差过大,说明其不确定性增加,所提供的信息量也会增加,因此在进行综合指标评价的时候,权重也会对应的增大.—-类似熵权法
二.相同点及其联系
1 联系:归一化广义上是包含标准化的,Z-Score方法也是归一化的方法之一,在这里主要是从狭义上,区分两者
2 本质上都是进行特征提取,方便最终的数据比较认识.都通过先平移(分子相减)后缩放(分母)进行进行提取;
3 都是为了缩小范围.便于后续的数据处理.
4 作用:(重点)
i) 加快梯度下降,损失函数收敛;—速度上
ii) 提升模型精度–也就是分类准确率.(消除不同量纲,便于综合指标评价,提高分类准确率)—质量上
iii) 防止梯度爆炸(消除因为数据输入差距(1和2000)过大,而带来的输出差距过大(0.8,999),进而在 反向传播的过程当中,导致梯度过大(因为反向传播的过程当中进行梯度计算,会使用的之前对应层的输入x),从而形成梯度爆炸)—稳定性上
说明:特征缩放其实并不需要太精确，其目的只是为了让梯度下降能够运行得更快一点，让梯度下降收敛所需的循环次数更少一些而已。
三.归一化(广义)的场景
A. 除非本来各维数据的分布范围就比较接近，否则必须进行标准化，以免模型参数被分布范围较大或较小的数据支配
B. 数据分布差异比较大–标准化和奇异数据(单个有影响的也要)–归一化
3.1 特征/数据需要归一化的场景
①logistic regression模型:逻辑回归,虽然迭代若几次没有影响,但实际当中远不止若干次,这样就会导致逻辑回归模型的目标函数过于扁化,导致梯度很难下降,不容易得到较好的模型参数.
②SVM模型:因为涉及到向量/数据的距离(向量之间差异过大/过小,就会导致最佳分离超平面可能会由最大/远或者最小/近的几个向量支配,导致鲁棒性较差,因此需要进行标准化—可以保留向量间的模型)
③NeuralNetwork模型:初始输入值过大,反向传播时容易梯度爆炸(上面有解释)
④SGD:加快梯度下降.
3.2 不需要归一化的场景
1 0/1取值的特征通常不需要归一化，归一化会破坏它的稀疏性
2 决策树，原因详见：https://www.julyedu.com/question/big/kp_id/23/ques_id/923
3 基于平方损失的最小二乘法OLS不需要归一化(因为本质上是一个抛物线,强凸函数,下降速度快.)
四.归一化(狭义)注意事项:
4.1 归一化的方法
4.1.1 小数定标标准化这种方法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用decimal scaling标准化到x’的计算方法是：
x'=x/(10^j),其中，j是满足条件的最小整数。例如 假定A的值由-986到917，A的最大绝对值为986，为使用小数定标标准化，我们用1000（即，j=3）除以每个值，这样，-986被规范化为-0.986。
注意，标准化会对原始数据做出改变，因此需要保存所使用的标准化方法的参数，以便对后续的数据进行统一的标准化。
4.1.2 softmax对数归一化
4.1.3 L2归一化
上图所示,L2归一化过程:其实就是x本身/2范数
4.2 指标衡量与权重保留
在归一化中,指标之间其实一般都存在单位的标准问题,例如:我们评价一个人的健康程度,有如下指标,假设一个人身高 180cm，体重 70kg，白细胞计数7.50×10^{9}/L，各个量纲都不一样,因此归一化就是消除各个量纲,然后将各个指标结合起来,共同参与到评价健康程度当中,这个就是归一化需要做的事情–消除量纲,便于数据(结合了各个指标的健康程度)/综合评价的比较。
因此我们在进行归一化的时候,我们就需要对各个指标的权重进行保留,方便评价.
4.3 归一化的使用前提
在存在奇异样本数据的情况下，进行训练之前最好进行归一化，如果不存在奇异样本数据，则可以不用归一化
五.标准化的过程
即零-均值标准化
其中 u是样本数据的均值（mean），是样本数据的标准差（std）。
上图则是一个散点序列的标准化过程：原图->减去均值(均值为0–>数据以原点为中心)->除以标准差对应到三维图像(以损失函数为例)机器学习的目标无非就是不断优化损失函数，使其值最小。在上图中，J(w,b)就是我们要优化的目标函数,在上图中,我们可以看到,损失函数,未处理之前:梯度的方向就会偏离最小值的方向，走很多弯路,经过标准化处理之后,我们损失函数的曲线也变得比较圆,有利于加快梯度下降,加快找到最佳模型参数.具体如下图:
标准化前
标准化后
六.参考文献归一化与标准化-博客园
归一化与标准化
归一化、标准化区别的通俗说法