大家好，萱萱来为大家解答以下的问题，关于origin归一化处理，归一化处理这个很多人还不知道,那么现在让我带着大家一起来看看吧！

1、归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。

2、归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。

3、归一化有同一、统一和合一的意思。

4、无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的，归一化是同一在0-1之间的统计概率分布;SVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1--+1之间的统计坐标分布。

5、当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。

6、为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。

7、归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。

8、所以这样做分类的问题时用[0.9 0.1 0.1]就要比用要好。

9、但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。

本文今天分享完毕，希望对您有所帮助。