数据归一化是一种常用的预处理技术，它的目的是将不同范围的数据转换为相同范围的数据，这样可以使不同的数据具有相似的分布和取值范围。
常见的数据归一化方法有以下几种：
最值归一化（Min-Max Normalization）
最值归一化是将数据映射到[0,1]范围内，公式如下：
X_normalized = (X - Xmin) / (Xmax - Xmin)
其中，Xmin和Xmax分别是数据集中的最小值和最大值。
均值方差归一化（Standardization）
均值方差归一化是将数据转换为均值为0，方差为1的数据，公式如下：
X_normalized = (X - Xmean) / Xstd
其中，Xmean和Xstd分别是数据集的均值和标准差。
小数定标归一化
小数定标归一化是将数据的小数点移动到某一位置，使得数据范围在一定程度上缩小。例如，将数据的小数点向左移动2位，可以将数据的范围缩小100倍。
对数归一化
对数归一化是将数据取对数后进行归一化处理。这种方法通常用于处理数据的取值范围差异很大的情况。
数据归一化的目的是使得数据的分布更加规律
归一化处理可以使不同的数据具有相似的分布和取值范围，这在许多机器学习算法中是很有用的。例如，在使用梯度下降算法进行模型训练时，如果数据的范围差异很大，模型可能会在局部最小值附近来回震荡，导致收敛速度减慢。归一化处理可以使梯度下降算法更快地收敛，并且可以使模型的泛化能力更强。
但是，也要注意，如果数据已经具有相似的分布和取值范围，则不需要进行归一化处理。另外，在使用归一化处理后的数据进行模型训练后，在使用模型进行预测时，还需要将输入数据进行相应的反归一化处理，才能得到正确的预测结果。
使用pytorch进行归一化操作
normalize = transforms.Normalize((mean,), (std,))
其中 mean 为均值，std为方差，想进行归一化操作需要先计算出数据的均值和方差。
例如对MNIST数据集的处理：
# 定义图像处理方法
tranform = transforms.Compose([
transforms.ToTensor(), # 将图片转换成Tensor
transforms.Normalize((0.1307,), (0.3081,)) # 进行数据归一化处理
])
其中 0.1307 和 0.3081 分别是MNIST的均值和方差，可以自己计算，也可以网上查
等同于 X_normalized = (X - 0.1307) / 0.3081，转化为均值为0，方差为1的数据。
