归一化的目的：

每个维度可能对应的数量及不同，例如年龄和收入，我们线性回归公式

在计算机看来X1和X2并没有数量级的不同，都是一样的数据，不理解其中的含义所以

θ1X1 = θ2X2,那么X1远远小于X2的话，有公式看来，θ1就远远大于θ2。

那么有图像就可以看出来θ1要优化的距离就远远大于θ2要优化的距离。

产生矛盾：

因为X1 << X2

那么θ1要调整的距离就远远大于θ2要调整的距离，

由公式

得g1远远小于g2,

那么有梯度下降的公式可得η*g1 远远小于 η*g2

那么θ1调整的幅度就远远小于θ2调整的幅度！！

归一化要做的就是各个特征维度X1...Xn的数量及做到统一，做到无量纲化。

总结：theta1远远小于theta2，但是theta1调整的幅度却远远大于theta2调整的幅度。

那么theta2要迭代更多的次数才能收敛，但是我们希望theta1和theta2可以同时收敛。

归一化可以是各个维度尽量同时收敛。

归一化副产品：提高分类精度