是的，当然，数据预处理也在深度学习中完成。例如，我们经常对神经网络的输入进行归一化（或缩放）。如果输入是图像，我们经常调整它们的大小，使它们都具有相同的尺寸。当然，您应用的预处理步骤取决于您的数据、神经网络和任务。

这里或这里是执行预处理步骤（第二种情况下的规范化）的两个实现示例。你可以在这里找到更多的解释和例子，也可能在这里。

添加到 nbro 的解决方案中，标准化/平衡/预处理/增强所需的越少越好，例如，因为这样您就可以确定准确度是模型的实现，而不是数据梳理。例如，如果您可以使用两种方法（例如使用图像数据集）达到相同的精度：

1. 对于每个图像，减去全局平均值，除以全局标准差
2. 1)+随机翻转、随机裁剪、颜色抖动等，

那么1），如果你能达到相当的精度，是一个更好的解决方案，因为模型更通用。这同样指的是数据的平衡——如果你可以在没有它的情况下训练一个好的模型，这是一个额外的优势。