回答:
最初の注意：実際に各特徴（ピクセル）値の標準偏差で割る必要もあります。平均を減算すると、入力が0に中央揃えされ、標準偏差で割ると、スケーリングされたフィーチャ値が平均から離れた標準偏差の数になります。
質問に答えるには：ニューラルネットワークがその重みを学習する方法を検討します。C（NN）sは、トレーニング例が通過するときに、バックプロパゲーションから計算された勾配誤差ベクトル（学習率を乗算）をネットワーク全体のさまざまな重み行列に継続的に追加して学習します。
ここで注意すべきことは、「学習率を乗じた」です。
入力トレーニングベクトルをスケーリングしなかった場合、特徴値の分布の範囲は特徴ごとに異なる可能性が高いため、学習率により、各次元で補正が行われます（比例的に言えば）。ある重み次元では補正を過剰に補正し、別の重み次元では補正を低くしている場合があります。
これは、理想的な状態ではありません。振動状態（コスト（ウェイト）スペースのより良い最大値に集中することができない）状態、またはスローモーション（より良い最大値に到達するには遅すぎて移動する）状態になります。
もちろん、重みごとに学習率を設定することは可能ですが、すでに複雑なネットワークに導入するハイパーパラメーターはまだ多く、それを見つけるために最適化する必要があります。通常、学習率はスカラーです。
したがって、NN（または任意の勾配ベース）アルゴリズムへの入力として使用する前に、画像を正規化しようとします。
(image - image.mean()) / (image.std() + 1e-8)