归⼀化、标准化、单位化⽅法的总结
归⼀化：常⽤的⽅法是对原始数据进⾏线性变换把数据映射到[0,1]或者[-1,1]之间。变换⽅法见下⽂⼀、⼆。不同变量往往量纲不同，归⼀化可以消除量纲对最终结果的影响，是不同变量具有可⽐性。在不涉及距离度量、协⽅差计算、数据不符合正态分布时，可使⽤归⼀化⽅法。⽐如图像处理中，将RGB图像转换为灰度图向后，将其值限定在[0,255]的范围等。
标准化：常⽤的⽅法是z-score标准化，镜柜处理后数据均值为0，标准差为1。该标准化⽅法要求原始数据的分布可以近似为⾼斯分布，均值为0，标准差为1,。在分类、聚类算法中，需要使⽤距离来度量相似性的时候，或者PCA技术进⾏降维的时候，Z-score standardization表现的更好。
单位化：单位化处理⽐较简单。就是每个矩阵除以他⾃⼰的模。模的计算时矩阵中每个元素的平⽅和再开⽅。
⼀、L1 normalization, L2 normalization, Lp normalization
⽆论传统图像处理，还是深度学习，我们经常会听说存在L1 normalization，L2 normalization，那么这些归⼀化是什么呢？在统计学习中，归⼀化的具体作⽤是归纳归⼀样本的统计分布性。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。即该函数在（负⽆穷，正⽆穷）的积分为1。
下图为pytorch官⽹normalize的定义和实现⽅程
从公式中可以看出这是⼀个Lp normalize，p表⽰1,2，...，n。sigma是⼀个极⼩的⼩数，为了防⽌分母为0时所做的处理。
⽐如存在数：
L1 normalize的结果和L2 normalize的结果如下：
pytorch计算结果：
Lp normalization归⼀化范围：[-1, 1]
如何群发qq消息所以往后可以使⽤Lp normalize了，⽅便简单。
⼆、使⽤最⼤最⼩值进⾏归⼀化处理
羊水标准
1. Rescaling
其中：
min(x)：数据分布的最⼩值
max(x)：数据分布的最⼤值
作⽤：计算出每个样本的⽐例值。
作⽤：计算出每个样本的⽐例值。
取值范围：[0,1]
2. Mean Normalization
毛泽西
其中：
mean(x)：数据分布中的均值
名著阅读网min(x)：数据分布的最⼩值
max(x)：数据分布的最⼤值
作⽤：计算出每个样本的⽐例值。
取值范围：[-1,1]
三、符合正态分布的标准化处理
什么是外贸常⽤的⽅法是z-score标准化，镜柜处理后数据均值为0，标准差为1。
其中：
天下起雨u：表⽰均值，mean
天使雕像sigma：表⽰标准差，std
标准化处理就是数据减去均值然后除以标准差，使其分布符合正态分布。标准差 = ⽅差的算数平⽅根
该标准化⽅法要求原始数据的分布可以近似为⾼斯分布，均值为0，标准差为1,。在分类、聚类算法中，需要使⽤距离来度量相似性的时候，或者PCA技术进⾏降维的时候，Z-score standardization表现的更好。
四、使⽤最⼤最⼩值进⾏归⼀化处理。
Scaling to unit length
燕麦片的功效单位化处理⽐较简单。就是每个矩阵除以他⾃⼰的模。模的计算时矩阵中每个元素的平⽅和再开⽅。
