normalization

一个 阶矩阵 的行列式存在多种不同的定义方式，目前最被广泛采用的定义当属莱布尼兹 (Gottfried Wilhelm Leibniz) 公式[1]： 我们定义 若 包含偶数个换位， 若 包含奇数个换位。本文从行列式的几何定义出发，解说如何从三个设定的性质推导出莱布尼兹行列式公式 (二阶行列式公式的推导请见“行列式的运算公式与性质”)。 根据几何学知识，我们有底下三个关于平行多面体体积的基本性质： 性质一称为归一性 (normalization)，无须进一步讨论

在神经网络的训练过程中，我们一般会将输入样本特征进行归一化处理，使数据变为均值为0，标准差为1的分布或者范围在0~1的分布。因为当我们没有将数据进行归一化的话，由于样本特征分布较散，可能会导致神经网络学习速度缓慢甚至难以学习。 上图中样本特征的分布为椭圆，当用梯度下降法进行优化学习时，其优化过程将会比较曲折，需要经过好久才能到达最优点