功能

加速训练，使得代价函数𝐽优化起 来更简单快速。

过程

假设一个训练集有两个特征， 输入特征为 2 维，归一化需要两个步骤:

• 零均值

它是一个向量，𝑥等于每个训练数据𝑥减去𝜇，意思是移动训练集，直到它完成零均值化。

• 归一化方差

它也是一个向量，注意特征𝑥1的方差比特征𝑥2的方差要大得多，我们把所有数据除以向量𝜎2，最后变成下图形式。

他们都是向量，x=[x1,x2], 𝜇=[𝜇1,𝜇2], 𝜎2=[𝜎12,𝜎22],
如果你用它来调整训练数据，那么用相同的 𝜇 和 𝜎2来归一化测试集，因为我们希望不论是训练数据还是测试数据， 都是通过相同 μ 和𝜎2定义的相同数据转换，而不是在测试集上预估新的𝜇 和 𝜎2。

原因

假设输入在（0,1）,（1,1000）,w的比率或者取值也会相差甚远，实际上如果假设特征𝑥1范围在 0-1 之间，𝑥2的范围在-1 到 1 之间，𝑥3范围在 1-2 之间， 它们是相似范围，如果W（本身是多维的）均匀分布，代价函数就会更加圆润，最低点就更好找一点。