归一化是对训练集数据的预处理操作之一。 不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
归一化/标准化 = 零均值化 + 方差归一化（结果使得数据均变成均值为0方差为1）
机器学习中常见的操作是批标准化（Batch Normalization、BN），有专门的BN层
下图中m是批总数、是第i个批（batch）、是标准化后的批（normalized batch）、，是需要学习的两个参数
通过训练集获得归一化参数μ和σ^2用于归一化训练集和测试集
可以看到归一化后的数据的梯度下降路线更平滑，速度更快
综上归一化的优点是：让梯度下降等优化算法速度更快。
我们知道数据预处理做标准化可以加速收敛，同理，在神经网络使用标准化也可以加速收敛，而且还有如下好处：
具有正则化的效果（Batch Normalization regularizes the model）
提高模型的泛化能力（Be advantageous to the generalization of network）
允许更高的学习速率从而加速收敛（Batch Normalization enables higher learning rates）