归一化的理解：简单理解为缩放（可以当成归1化），将模型参数(theta) 的取值区间调整到[0-1]。
目的或者意义：正常情况下，模型参数（theta）的取值范围是负无穷到正无穷之间。梯度下降法中，梯度（grandients)是一个向量，每一项g(j)都需要求导找到第J列的梯度值。根据损失函数求导的到导函数 (y^-y)*Xj。根据导函数可知 梯度的值收到Xj的影响，即Xj越大梯度值就越大。在求梯度的时候，导致每一次下降的步伐越大(theta1 = theta0 - learning_rate * g) 。但是，实际上根据公式 y = w0 + w1*x1 + w2*x2 ......+wn*xn，可理解到，当y的值不变，x值越大与其对应的theta值越小。实际上于公式推导出的结果相矛盾。在不做归一化的情况下，会出现一种情况即在 x2>>x1的时候，theta2>>theta1,下降的幅度learning_rate * g2 >> learning_rate * g1。同事theta2 实际的值要远远小于 theta1的值，这个时候当theta2已经找到最优解g2的时候，g1还远远没有找到（原因是theta2实际的值很大，但是梯度下降幅度很小）。当g1还在梯度下降找最优解的时候，g2可能在最优解左右两边来回震荡。这些计算量是没有意义的浪费。
结论：在做了归一化后，使得所有的模型参数求梯度的过程中同时开始，同时结束。 不浪费
