此文章首发于
卷积神经网络（CNN）入门讲解zhuanlan.zhihu.com内容如有修改，不在此处修改，请关注知乎：蒋竺波
----------------------------分割线------------------------------------------------------------
大家在看一些机器学习或者深度学习的文章时，在数据预处理的时候，会不会经常看到一个步骤：
(输入数据-数据均值)/数据标准差
初学者的你可能就直接略过了
因为你觉得它就是一个简单的线性变换，并没有多复杂
但是
就像爱因斯坦的相对论：
E = mc^2
大道至简
这个数据预处理的步骤在机器学习或者深度学习里面，都是重中之重
其实，它是标准化（Normalization）的一种
今天的内容：
当然，标准化的方法这是最常用的。
Z-score 怎么用python 代码实现：
实现时有2种不同的方式：
（1），使用sklearn.preprocessing.scale()函数，直接将数据进行标准化。
（2），使用sklearn.preprocessing.StandardScaler类，其优点可以保存训练数据中的参数（均值、方差），也可以直接使用其对象转换（transform）其测试集数据。
标准化的方法有很多，还有归一化，规范化等，具体都可以在 网上找到答案
其他参考资料：
【原】关于使用sklearn进行数据预处理 -- 归一化/标准化/正则化www.cnblogs.com----------------------------分割线------------------------------------------------------------
下面我们来看看，在CNN中，我们为什么要给图像做标准化
很多时候我们的训练图片会出现下面的情况：
大家看上面两只猪，对于人来说，它就是两只一样的猪，只是图片的灰度或者曝光度不一样罢了，于是我们都给它们都标注为社会人
咋一看，好像没毛病
但是，虽然我们人眼看没毛病，可是机器看的方式和我们不一样，他们看的是对应图片的像素值
由于曝光的，灰度等各种原因，他们像素值其实不一样，那么经过卷积层后，他们的特征很可能不一样
于是神经网络就尴尬了，特征都不一样，为啥标签都一样呢？
这样，迷惑的神经网络就不知道怎么对权值进行训练了
另一种情况：
当然，我上面就是举了两个例子，还有很多情况需要进行标准化才能解决，标准化常用的是Z-Score, 记住，这是要减去自己数据的均值和除以自己的标准差（不是方差）
大家在用Fine-tune pretrained model，比如Imagenet, 程序里面经常是减去的Imagenet的均值和方差，这样是不对的，大家在跑程序的时候要注意了。
在公众号里回复：标准化，可以获得全部高清PPT哦！！
关于标准化在机器学习方面的应用，可以参考下面资料：
nnetInfo文章浏览nnetinfo.com网上有很多，大家可以自己找找。
希望大家多多点赞，谢谢啦。
有问题，欢迎提问。