数据归一化是深度学习数据预处理中非常关键的步骤，可以起到统一量纲，防止小数据被吞噬的作用。

一：归一化的概念
归一化就是把所有数据都转化成[0,1]或者[-1,1]之间的数，其目的是为了取消各维数据之间的数量级差别，避免因为输入输出数据数量级差别大而造成网络预测误差过大。

二：归一化的作用
1）为了后面数据处理的方便，归一化可以避免一些不必要的数值问题。

2）为了程序运行时收敛速度更快

3）统一量纲。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，这算是应用层面的需求。

4）避免神经元饱和。就是说当神经元的激活在接近0或者1时，在这些区域，梯度几乎为0，这样在反向传播过程中，局部梯度就会接近于0，这样非常不利于网络的训练。

5）保证输出数据中数值小的不被吞食。

三：归一化的类型
1：线性归一化
线性归一化也被称为最小-最大规范化；离散标准化，是对原始数据的线性变换，将数据值映射到[0,1]之间。用公式表示为：

x′=x−min(x)max(x)−min(x)x′=x−min(x)max(x)−min(x)

差标准化保留了原来数据中存在的关系，是消除量纲和数据取值范围影响的最简单的方法。代码实现如下：

def MaxMinNormalization(x,Max,Min):
    x = (x - Min) / (Max - Min);
    return x
适用范围：比较适用在数值比较集中的情况

缺点：1）如果max和min不稳定，很容易使得归一化的结果不稳定，使得后续使用效果也不稳定。如果遇到超过目前属性[min,max]取值范围的时候，会引起系统报错。需要重新确定min和max。

2）如果数值集中的某个数值很大，则规范化后各值接近于0，并且将会相差不大。（如 1,1.2,1.3,1.4,1.5,1.6,10）这组数据。

2：零-均值归一化（Z-score标准化）
Z-score标准化也被称为标准差标准化，经过处理的数据的均值为0，标准差为1。其转化公式为：

x′=x−μδx′=x−μδ

其中μμ为原始数据的均值，δδ为原始数据的标准差，是当前用的最多的标准化公式

这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，这里的关键在于复合标准正态分布

代码实现如下：

def Z_ScoreNormalization(x,mu,sigma):
    x = (x - mu) / sigma;
    return x
3：小数定标规范化
这种方法通过移动属性值的小数数位，将属性值映射到[-1,1]之间，移动的小数位数取决于属性值绝对值的最大值。转换公式为：

x′=x10kx′=x10k

4:非线性归一化 
这个方法包括log，指数，正切

适用范围：经常用在数据分析比较大的场景，有些数值很大，有些很小，将原始值进行映射。

四：批归一化（BatchNormalization）
1：引入
在以往的神经网络训练时，仅仅只对输入层数据进行归一化处理，却没有在中间层进行归一化处理。虽然我们对输入数据进行了归一化处理，但是输入数据经过了δδ这样的矩阵乘法之后，其数据分布很可能发生很大改变，并且随着网络的层数不断加深。数据分布的变化将越来越大。因此这种在神经网络中间层进行的归一化处理，使得训练效果更好的方法就被称为批归一化（BN）

2：BN算法的优点
1）减少了人为选择参数

2）减少了对学习率的要求，我们可以使用初始状态下很大的学习率或者当使用较小的学习率时，算法也能够快速训练收敛。

3）破换了原来的数据分布，一定程度上缓解了过拟合（防止每批训练中某一个样本经常被挑选到）

4）减少梯度消失，加快收敛速度，提高训练精度。

3：批归一化（BN）算法流程
输入：上一层输出结果X={x1,x2,.....xm},学习参数γγ，ββ

算法流程：

1）计算上一层输出数据的均值：

μβ=1m∑mi=1xiμβ=1m∑i=1mxi

其中，m是此次训练样本batch的大小。

2）计算上一层输出数据的标准差：

δ2β=1m∑mi=1(xi−μβ)2δβ2=1m∑i=1m(xi−μβ)2

3)归一化处理得到

xiˆ=xi+μβδ2β√+εxi^=xi+μβδβ2+ε

公式中的εε是为了避免分母为0而加进去接近于0的很小的值。

4）重构，对经过上面归一化处理得到的数据进行重构，得到：

yi=γxiˆ+βyi=γxi^+β

其中γγ，ββ为可学习的参数。