机器学习中使用的另一种非常常见的预处理技术。基本上它用于消除特征向量的均值，以便每个特征都以零为中心。还可以消除特征向量中的特征偏差。为了对样本数据应用平均去除预处理技术，可以编写如下Python代码。代码将显示输入数据的平均值和标准偏差-

开源的深度学习神经网络正步入成熟，而现在有许多框架具备为个性化方案提供先进的机器学习和人工智能的能力。那么如何决定哪个开源框架最适合你呢？本文试图通过对比深度学习各大框架的优缺点，从而为各位读者提供一个参考。你最看好哪个深度学习框架呢？

可以看到性能方面TNN还是有优势的。但是有些环境下的测试其实和MNN还是不相上下，阿里的开发团队也说，TNN的性能激励了MNN的提高，但相比当年2000ms到700ms的飞越还是差点意思。

keras这个深度学习框架真的很“简易”，它体现在可参考的文档写的比较详细，不像caffe，装完以后都得靠技术博客，keras有它自己的官方文档（不过是英文的），这给初学者提供了很大的学习空间。

神经网络有大量参数，经常发生过拟合问题，虽然其识别结果在训练集上准确率很高，但在测试集上效果却很差。这是因为当时的训练数据集规模都较小，加之计算资源有限，即便是训练一个较小的网络也需要很长的时间。与其他模型相比，神经网络并未在识别准确率上体现出明显的优势。

反向传播是深度学习的基本技术，它能够让神经网络在训练过程找到“最优解”。但是如果让训练好的神经网络执行另一项任务或者使用新数据时就会发生灾难性遗忘，从而无法完成持续学习的目标。

深度学习是人工智能领域目前最受关注的发展成果，利用包含数百万个分层构建的模拟“神经元”的大型神经网络，它正在帮助我们提升分类与预测的准确性。其中，最常见的网络被称为卷积神经网络（简称CNN）与递归神经网络（简称RNN）。这些神经网络能够通过数据训练，并配合反向传播算法实现“学习”。

深度学习的关注度正持续上升，它是机器学习的一个子领域，基于人工神经网络的概念来执行特定任务。然而在理论上，人工神经网络与人类大脑的运作方式并不相同，甚至都不相似！