归一化，需要两个步骤：
1，零均值（zero-mean）；
假设一个训练集有m个样本，每个样本有两个特征{x1,x2}；
则对于m个样本的特征值x1, 其均值为：
x1的均值u1
每个样本的特征值x1依次减去特征值x1的平均值u1, 完成x1的零均值化即：
特征值x2的零均值化，也同样执行。
2，归一化方差（normalization）。
归一化方差的目的是让所有特征值的方差都等于1，同样，
则对于m个样本的特征值x1, 其方差为：
每个样本的特征值x1依次除以特征值x1的标准差, 完成x1的归一化方差，即：
特征值x2的归一化方差，也同样执行。
归一化后的特征值方差为：
注意：Andrew Ng的课程里面，除以的是方差；经过推导，我个人认为应该除以标准差。
输入归一化的好处：
特征归一化后，代价函数看起来更对称，相对于非对称的代价函数，使用梯度下降法的时候，学习率可以设的更大，则步长更大，可以更快的找到最小值。
Andrew Ng建议：训练前，对特征值做归一化处理，不管是否能够提高训练速度
