返回信息流数据归一化有很多种方式，比如：
1、线性归一化，表达式如下：
y=(x-MinValue)/(MaxValue-MinValue)
说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
2、标准差标准化
经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
x'=(x-μ)/σ
其中μ为所有样本数据的均值，σ为所有样本数据的标准差。
3、非线性归一化
经常用在数据分化比较大的场景，有些数值很大，有些很小。通过一些数学函数，将原始值进行映射。该方法包括 log、指数，正切等。需要根据数据分布的情况，决定非线性函数的曲线，比如log(V, 2)还是log(V, 10)等。
但是最近看到很多机器学习程序中用到了L2范数归一化，不知L2范数归一化的优势是？
例如：对数据集A按行进行L2范数归一化
% normalize each row to unit
A = A./repmat(sqrt(sum(A.^2,2)),1,size(A,2));
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #20339同步于 2016/6/11
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
[问题]L2范数归一化的作用？
hudabao
2016/6/11镜像同步7 回复
订阅后，新回复会通过你的通知中心匿名送达。
7 条回复
一般叫范数的正则化，用来防止模型的过拟合。有基于参数的L0，L1，L2，核范数等等。它们都是与参数的复杂程度（大小）成正比的，比如L2是向量各个元素平方和再开根号，把参数的L2范数加到损失函数中，会使训练出来的参数不会很复杂，从而防止过拟合。
谢谢你的回答，你说的是正则化，正则化是防止过拟合，但是L2范数归一化和L2正则化不一样吧
【 在 wangtq1993 的大作中提到: 】
: 一般叫范数的正则化，用来防止模型的过拟合。有基于参数的L0，L1，L2，核范数等等。它们都是与参数的复杂程度（大小）成正比的，比如L2是向量各个元素平方和再开根号，把参数的L2范数加到损失函数中，会使训练出来的参数不会很复杂，从而防止过拟合。
【 在 hudabao 的大作中提到: 】
: 谢谢你的回答，你说的是正则化，正则化是防止过拟合，但是L2范数归一化和L2正则化不一样吧
归一化的目的有两个：
1.有量纲体系转化为无量纲体系，如身高与体重，不同的计量单位
2. 加快收敛
懂了，非常感谢~
【 在 XZC 的大作中提到: 】
: 归一化的目的有两个：
: 1.有量纲体系转化为无量纲体系，如身高与体重，不同的计量单位
: 2. 加快收敛
懂了，多谢解答~[ema23]
【 在 zhengshun 的大作中提到: 】
: L2范数归一化确实会有助于收敛，很多优化算法的bound里面都有\| X_i \|_2^2 \le R的假设，如果正则化之后，R就是1了。