歸一化主要有以下好處：
提高模型性能。歸一化可以消除不同特徵之間的量綱差異，使不同特徵具有可比性，從而提高模型的性能。
加快模型收斂速度。歸一化使得模型的損失函數更易於優化，加快模型的收斂速度。
避免梯度消失或爆炸。在深度學習中，歸一化可以防止模型梯度爆炸。
提高算法精度。特別是在涉及到距離計算的算法中，如歐氏距離，歸一化可以防止由於特徵值域範圍過大而導致的精度損失。
便於數據處理。將數據映射到(0,1)區間，使得數據處理更加便捷快速。
防止仿射變換和幾何變換的影響。在圖像處理中，歸一化可以轉換成標準模式，減小這些變換對數據的影響。
保證輸出數據中數值較小的不被吞食。在某些激活函數（如Sigmoid）中，歸一化可以防止輸出值過大導致的神經元輸出飽和現象。