歸一化的原因：
歸一化是爲了加快訓練網絡的收斂性，可以不進行歸一化處理
歸一化的具體作用是歸納統一樣本的統計分佈性。歸一化在0-1之間是統計的概率分佈，歸一化在-1--+1之間是統計的座標分佈。歸一化有同一、統一和合一的意思。無論是爲了建模還是爲了計算，首先基本度量單位要統一，神經網絡是以樣本在事件中的統計分別機率來進行訓練（概率計算）和預測的，歸一化是同一在0-1之間的統計概率分佈；
當所有樣本的輸入信號都爲正值時，與第一隱含層神經元相連的權值只能同時增加或減小，從而導致學習速度很慢。爲了避免出現這種情況，加快網絡學習速度，可以對輸入信號進行歸一化，使得所有樣本的輸入信號其均值接近於0或與其均方差相比很小。
由名字Batch normalization，就知道參與某特定樣本nomalization輸出計算的統計量會受到batch中其他樣本的影響。
而Instance normalization則是由自己計算出的統計量。由於風格轉換的圖片風格之間是比較獨立的，所以應使用instance normalization