在深度学习中，一般我们会把喂给网络模型的训练图片进行预处理，使用最多的方法就是零均值化(zero-mean) / 中心化，即让所有训练图片中每个位置的像素均值为0，使得像素值范围变为[-128,127]，以0为中心。
这样做的优点是为了 在反向传播中加快网络中每一层权重参数的收敛。

原因

    常用的激活函数（例如ReLu或者Sigmoid）输出和导数都是大于等于0的。如果神经网络输入样本被预处理在0-1之间，如果没有batchnorm，那么经过激活函数后，每一层结构的输入和输出都大于等于零，那么该层权重的各维的梯度也一定是同符号的，就导致梯度下降的方向只能在第一或者第三象限。
因此，如果局部极小相较初始值位于第二或者第四象限，梯度下降只能以ZigZag的方式靠近极小值，收敛速度就会非常的慢。如下图：

    不过因为有了batchnorm之后，或者用LeakyReLu这种激活函数，无论样本预处理为均值为0还是0-1之间，顶多影响第一层的收敛速度，所以差距不大。样本的方差更无所谓，毕竟只是相当于在第一层权重上乘以一个系数。

参考链接

https://www.zhihu.com/question/327435793
https://blog.csdn.net/mooneve/article/details/81943904