归一化：
１）把数据变成(０,１)或者（1,1）之间的小数。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。
２）把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。
常用方法：
（1）Min-Max Normalization
x' = (x - X_min) / (X_max - X_min)
（2）平均归一化
x' = (x - μ) / (MaxValue - MinValue)
（1）和（2）有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
（3）非线性归一化
1）对数函数转换：y = log10(x)
2）反余切函数转换：y = atan(x) * 2 / π
（3）经常用在数据分化比较大的场景，有些数值很大，有些很小。通过一些数学函数，将原始值进行映射。该方法包括 log、指数，正切等。需要根据数据分布的情况，决定非线性函数的曲线，比如log(V, 2)还是log(V, 10)等。
标准化：
在机器学习中，我们可能要处理不同种类的资料，例如，音讯和图片上的像素值，这些资料可能是高维度的，资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平均)、标准差变为1，这个方法被广泛的使用在许多机器学习算法中(例如：支持向量机、逻辑回归和类神经网络)。
常用方法：
Z-score规范化（标准差标准化 / 零均值标准化）
x' = (x - μ)／σ
处理后的数据符合标准正态分布，即均值为0，标准差为1
————————————————
版权声明：本文为CSDN博主「elroye」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u012720552/article/details/84950936
- Standardization Normalization 标准standardization normalization标准 normalization标准batch 表型normalization phenotype标准 standardization normalization normalization square layer root 范式normalization iccv_generalized normalization generalized adaptation normalization performance non-uniform simplicity normalization assignment笔记231n