通过规范化数据，代码不太可能受到负面影响。这是因为网络不知道图像被用作输入数据的先验，它只接收一组数值（可以代表任何类型的数据）并找到合适的权重和偏差值，从而降低我们的成本功能。

因此，即使我们得到负值作为新的输入数据，也不意味着这种预处理会造成不好的影响。

但是，为什么规范化可能有用？

这里关于 Z-score 归一化的有用之处在于，通过这样做，所有“新像素”都有一个均值为零且方差相同的值。正如 Yann LeCun 在他的论文“ Efficient Backprop ”（第 8 页）中解释的那样，这是一件好事：

• 为什么要使用均值接近于零的特征数据：

如果训练集上的每个输入变量的平均值接近于零，收敛通常会更快……..当输入向量的所有分量都是正数时，输入节点的所有权重更新将是同一个符号。因此，对于给定的输入模式，这些权重只能全部减少或全部增加。因此，如果权重向量必须改变方向，它只能通过曲折来实现，这是低效的，因此非常慢

他所指的表达式是用于更新第一层权重值的表达式，由下式给出：

在哪里$x_k$表示输入像素值和$w_{jk}^l$连接该输入的权重$k$对神经元$j$第一层（$l=1$）。所以，给定标量项$\delta_j^{l=1}$很明显，如果所有连接输入层和第一层神经元的权重都将沿同一方向更新$x_k$正如报价所解释的那样，是积极的。

• 为什么要使用具有相同方差的特征的数据？：

缩放加速学习，因为它有助于平衡连接到输入节点的权重的学习速率。

正如我们之前看到的，给出权重更新的表达式$w_{jk}^{l=1}$与输入成正比$x_k$. 所以如果例如$x_1$样本的值大于$x_2$样品，然后更新$w_{j1}$在$w_{j2}$可能不平衡，因此在两个参数上使用不同的节奏进行更新。

只是一个旁注$\rightarrow$将每个特征（每个像素强度）除以其最大值的方法不是Z-score归一化，而是另一种数据归一化的方法（为了使用 Z-score，我们必须用来除特征是所有样本中每个像素的标准偏差）。