为什么需要归一化？
如果我们判断一个人的身体健康状况，有两个指标，一个是身高另一个是体重，假如身高1.6米，体重120斤，y=3*1.6+2*120,如果身高变为1.9对结果的影响是增加了0.9，但是如果体重变成130，对结果的影响就是增加30，显然身高1.9米看起来变化更大，但是他对结果的影响较小，这就是因为这两个指标不在同一个数量级上，因此我们需要归一化使他们对结果的影响相同，这是一个比较通俗的理解。
对于神经网络，如果特征值不在同一个范围，代价函数看起来狭长而且很窄，我们就只能将学习率降到很小，就需要使用多次迭代才能找到最小值。如果对特征值进行归一化，代价函数看起来就更加的对称，能够更直接的找到最小值，我们可以使用较大的步长（学习率），迭代次数相对较小，更容易优化，因此我们需要对数据进行归一化，使他们的均值为0，方差为1。
归一化步骤
1.零均值化 2.归一化方差
无论是训练集还是测试集，我们都需要用相同的均值和方差对数据进行转换。
归一化的方法
线性函数归一化：对数据进行等比列的缩放，将他们都缩放到0到1的范围内。
零均值归一化：将数据集转换成均值为0，方差为1
