理論知識：UFLDL數據預處理和http://www.cnblogs.com/tornadomeet/archive/2013/04/20/3033149.html
數據預處理是深度學習中非常重要的一步！如果說原始數據的獲得，是深度學習中最重要的一步，那么獲得原始數據之后對它的預處理更是重要的一部分。
1.數據預處理的方法：
①數據歸一化：
簡單縮放：對數據的每一個維度的值進行重新調節，使其在 [0,1]或[ − 1,1] 的區間內
逐樣本均值消減：在每個樣本上減去數據的統計平均值，用於平穩的數據，對圖像一般只用在灰度圖上。
特征標准化：使數據的每一個維度具有零均值和單位方差。首先計算每一個維度上數據的均值（使用全體數據計算），之后在每一個維度上都減去該均值，然后在數據的每一維度上除以該維度上數據的標准差。最常用！
②白化：PCA白化、ZCA白化。重點是規則化項 epsilon的選擇！
如果 epsilon 值過低，白化后的數據會顯得噪聲很大；相反，如果 epsilon 值過高，白化后的數據與原始數據相比就過於模糊。
epsilon的選擇方法：
a.以圖形方式畫出數據的特征值；b.選取大於大多數較小的、反映數據中噪聲的特征值作為 epsilon 。
2.具體怎么調節epsilon？沒搞懂，要是有個Exercise就好了
2.預處理時，什么時候該進行逐樣本均值消減（即：單獨每個樣本0均值化，而不是用所有樣本每一維度0均值化）？
在數據的每個維度的統計性質是一樣的時候。對於圖像來說就是，對圖像的照度並不感興趣，而更多地關注其內容，這時對每個數據點移除像素的均值是有意義的，這時可以逐樣本均值消減，它一般只適用於灰度圖。
注意：彩色圖像不能“逐樣本均值消減”，它的歸一化方法及原因見Deep Learning 九_深度學習UFLDL教程：linear decoder_exercise（斯坦福大學深度學習教程），即：“每一維0均值化”，進行預處理。