1、線性迴歸、手寫數字識別softmax、MLP、CNN

波士頓房價線性迴歸 做歸一化（或 Feature scaling）至少有以下3個理由： - 過大或過小的數值範圍會導致計算時的浮點上溢或下溢。 - 不同的數值範圍會導致不同屬性對模型的重要性不同（至少在訓練的初始階段如此），而這個隱含的假設常常是不合理的。這會對優化的過程造成困難，使訓練時間大大的加長。 - 很多的機器學習技巧/模型（例如L1，L2正則項，向量空間模型-Vector Space M

>>阅读原文<<