深度学习中对输入数据进行归一化操作

归一化操作是深度学习模型输入数据之前要进行一项很重要的操作。在不同的评价指标中，量纲单位往往不同，变化区间处于不同的数量级，若不进行归一化，会导致某些指标被忽视，从而影响到数据分析的结果。归一化本身就是把你需要的数据经过一定的处理限制在一定的范围内。

在统计学上，归一化的具体作用是归纳统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。在Inceptionv3模型的输入中，就是将数据归一化到-1，1之间的。

归一化的方法：

1. min-max方法

离差标准化，是对原始数据的线性变化，是结果映射到0-1之间。

x = x * (x-min)/(max-min)

2. Z-score标准化方法

这种方法基于原始数据的均值和标准差进行数据标准化。

x∗=(x−μ)/σ

这种方式我在把高光谱遥感影像数据输入模型时普遍采用的一种处理方式。