深度学习100问68:什么是归一化

嘿，朋友！归一化就是一种让数据变得更“整齐”的方法。
 

想象一下，你有一堆杂乱无章的数字，它们可能大小差异很大，有的特别大，有的特别小。归一化就是要把这些数字处理一下，让它们都处在一个特定的范围里，比如 0 到 1 之间或者 -1 到 1 之间。
 
这样做有很多好处呢。首先，它可以让不同特征之间具有可比性。如果不进行归一化，一个特征的值可能非常大，而另一个特征的值非常小，这样在计算的时候，大值的特征可能会占据主导地位，小值的特征就被忽略了。归一化后，每个特征都在相同的尺度上，这样它们对结果的影响就更加公平。
 
其次，归一化可以提高算法的收敛速度。在一些机器学习算法中，比如梯度下降法，如果数据没有归一化，算法可能会在不同的尺度上搜索最优解，这样就会走很多弯路，收敛速度很慢。而归一化后，算法可以更快速地朝着最优解前进。
 
常见的归一化方法有最小最大归一化和 Z-score 标准化。最小最大归一化就是把数据映射到一个特定的区间，比如 0 到 1 之间。Z-score 标准化则是让数据的均值为 0，标准差为 1。
 
简单来说，归一化就是让数据变得更规范、更好用，让机器学习算法能够更高效地工作。