1. 向量化

神经网络的所有输入和目标都必须是浮点数张量（在特定情况下可以是整数张量）。无论处理什么数据（声音、图像还是文本），都必须首先将其转换为张量，这一步叫作数据向量化（data vectorization）。

2. 值标准化

输入数据应该具有以下特征。
‰ 取值较小：大部分值都应该在 0~1 范围内。
‰ 同质性（homogenous）：所有特征的取值都应该在大致相同的范围内。
此外，下面这种更严格的标准化方法也很常见，而且很有用，虽然不一定总是必需的（例如，对于数字分类问题就不需要这么做）。
‰ 将每个特征分别标准化，使其平均值为 0。
‰ 将每个特征分别标准化，使其标准差为 1。
这对于 Numpy 数组很容易实现。

x -= x.mean(axis=0)
x /= x.std(axis=0)

3. 处理缺失值

一般来说，对于神经网络，将缺失值设置为 0 是安全的，只要 0 不是一个有意义的值。网络能够从数据中学到 0 意味着缺失数据，并且会忽略这个值。