和基于决策树的机器学习模型洳RF、xgboost等不同的是，神经网络特别钟爱经过标准化值怎么计算处理后的数据标准化值怎么计算处理指的是，data减去它的均值再除以它的标准差，最终data将呈现均值为0方差为1的数据分布决策树模型在哪里split特征是由特征序列决定的，跟具体数值无关所以并不要求数据做标准化徝怎么计算处理，至于详细原因以后有机会写机器学习博文时再详述
神经网络模型偏爱标准化值怎么计算数据，原因是均值为0方差为1的數据在sigmoid、tanh经过激活函数后求导得到的导数很大反之原始数据不仅分布不均（噪声大）而且数值通常都很大（本例中数值范围是0~255），激活函数后求导得到的导数则接近与0这也被称为梯度消失。前文已经分析神经网络是根据函数对权值求导的导数来调整权值，导数越大調整幅度越大，越快逼近目标函数反之，导数越小调整幅度越小，所以说数据的标准化值怎么计算有利于加快神经网络的训练。
除此之外还需要保持train_set、val_set和test_set标准化值怎么计算系数的一致性。标准化值怎么计算系数就是计算要用到的均值和标准差在本例中是((0.1307,), (0.3081,))，均值是0.1307标准差是0.3081，这些系数都是数据集提供方计算好的数据
不同数据集就有不同的标准化值怎么计算系数例如([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])就是Imagenet dataset的标准化值怎么计算系数（RGB三个通道对应三组系数），当需要将imagenet预训练的参数迁移到另一神经网络时被迁移的神经网络就需要使用imagenet的系数，否则预训练不仅无法起到应有的作用甚至还会帮倒忙
例如，我们想要用神经网络来识别夜空中的星星因为黑色是夜空的主旋律，从像素上看黑色就是数据集的均值标准化值怎么计算操作时，所有图像会减去均值（黑色）如此Imagenet预训练的神经网络很难识别出这些数据是夜空图像。
