数据标准化：减去均值，除以方差的理解

数据在进入神经网络之前，都要进行数据预处理，数据标准化是数据预处理之一，方式是将数据减去均值，再除以方差：
$$X=X-mean\_value$$ $$X=X/std\_value$$
可以这样理解这种处理方式：

减去均值：数据进入卷积神经网络，提取特征，然后用提取的特征进行分类和位置回归，提取的特征决定了分类和位置回归的准确性，提取的特征要能够代表每个类别的特点，因此神经网络更关注的是类别之间的差异性，并不是看图像的绝对值，例如图像很亮，图像很暗之类的，为了突出差异，所有输入的图像都要减去平均值，平均值是整个数据的平均亮度，形状不一样的图，在某个位置上比其他图亮一些，另外一个位置则比其他要暗一些，这个就是它的特征，这些差异传入神经网络，帮助网络来判断。

除以方差：输入神经网络的图像，每个像素值都可以看成是一个特征，在某些位置上的像素值的范围比另外一些位置的像素值的范围大，比如有些地方黑黑的，它的值在0的范围晃动，另外一些地方有些黑有些白，它是在0到255之间晃动，如果不做这个处理，这些特征输入到神经网络中，有些地方变化大，有些地方变化小，变化大的权重比较大，对网络的影响比较大，但是我们在做特征提取的时候，更希望网络关注的是整个图像的变化，而不是某个局部变化大的地方来影响它的输出。如果除以方差，它的效果是所有像素的取值范围，例如在-1到1之间。

数据标准化使网络更容易收敛， 更快收敛，对识别率有好处。