神经网络拟合目标归一化加速收敛原因分析

将拟合目标归一化后再训练可以加速神经网络的收敛，主要有以下几个原因：

减小数据范围：拟合目标归一化可以将原始的目标值缩放到一个较小的范围内，避免了数据过大或过小对神经网络权重的影响。这样可以使得神经网络更容易学习到正确的权重，加快收敛速度。
增加稳定性：归一化后的目标值使得训练过程中的梯度变化更加平稳，避免了梯度爆炸或消失的问题。这样可以使得训练过程更加稳定，避免训练过程中出现不收敛或收敛缓慢的情况。
提高梯度下降效率：归一化后的目标值使得梯度下降算法在搜索最优解时更加高效。在归一化之前，不同特征的取值范围可能相差很大，导致梯度在更新过程中可能会在某些维度上震荡较大，而在其他维度上变化较小，从而导致收敛速度变慢。而归一化后，各个特征维度的范围相对一致，梯度在更新过程中更加平衡，加速了收敛。

综上所述，拟合目标归一化后再训练可以提高神经网络的学习效率和稳定性，加快收敛速度。