加速收敛：归一化可以加快神经网络训练过程中的收敛速度。这是因为归一化后的数据分布更加均匀，梯度下降算法能够更快地找到最小值。
避免梯度消失或爆炸：在训练深度神经网络时，如果输入数据的尺度差异很大，可能会导致梯度在反向传播过程中变得非常小（梯度消失）或非常大（梯度爆炸）。归一化有助于保持梯度在一个合理的范围内，从而避免这些问题。
提高模型性能：归一化后的数据更容易被模型学习，因为它们具有相似的尺度。这有助于模型更快地学习到数据中的重要特征，从而提高模型的性能。
减少对初始化的依赖：不同的初始化方法对模型性能有影响，而归一化可以在一定程度上减少这种依赖，因为它使得数据的分布更加一致。
提高数值稳定性：在进行矩阵运算时，归一化可以减少数值计算中的舍入误差，提高计算的数值稳定性。
便于比较不同特征：在某些情况下，不同特征的尺度差异很大，这使得它们难以直接比较。归一化后，不同特征的尺度统一，便于模型比较和学习。