$$深度学习的输入数据集为什么要做均值化和标准化处理$$

可以达到防止某一维或某几维对数据影响过大，同时有抗异常值的能力，比较稳定，适合嘈杂的数据场景

首先可以做归一化，可以防止某一维或某几维对数据影响过大

rgb三通道里，比如r通道里，某个像素值a在0-10之间变动，而另一个像素值b在10-255之间变动，那b像素造成的影响会掩盖像素a的影像，归一化就缓解了这种现象

归一化后，模型也会容易受到最大值和最小值的影响，因此如果数据集中存在一些异常点，结果将发生很大的改变，因此这种方法鲁棒性（稳定性）比较差，只适合数据量比较精确，比较小的情况。从而需要进行标准化。

X= (x-μ)/σ

常用的方法是z-score标准化，经过处理后的数据均值为0，标准差为1，满足标准正太分布

其中μ是样本的均值，σ是样本的标准差，它们可以通过现有的样本进行估计，在已有的样本足够多的情况下比较稳定，适合嘈杂的数据场景。

为什么要标准化

因为这样有抗异常值的能力，比较稳定，适合嘈杂的数据场景

归一化，可以防止某一维或某几维对数据影响过大

归一化+标准化就是常规的数据集处理操作，可以达到防止某一维或某几维对数据影响过大，同时有抗异常值的能力，比较稳定，适合嘈杂的数据场景