严格来说理论上它对 DNN 没有影响，我今天在这里回答了，我说：

原因如下：我们已经在数学上知道 NN 可以逼近任何函数。所以假设我们有输入 X。X 是高度相关的，而不是我们可以应用去相关技术。主要的是，你会得到具有不同数字表示的 X`。NN 很可能更难以学习映射到输出 y。但是在理论上，您仍然可以更改架构，训练更长时间，您仍然可以获得相同的近似值，即准确性。

现在，Theory 和 Praxis 在 Theory 上是相同的，但在 Praxis 上是不同的，我怀疑这种架构调整等在现实中的成本会更高，具体取决于数据集。

但我想补充另一个观点：收敛速度。从理论上讲，你甚至不需要[batch normalization]来提高性能（你可以调整权重和偏差，你应该得到相同的结果）但我们知道进行这种转换对 NN 有很大的好处

给你总结一下：是的，我有经验在哪里有所作为，在哪里没有。你不能指望理论结果说偏斜是坏的