我是机器学习的新手。我的理解是训练前的数据归一化可以降低梯度下降过程中的复杂性和潜在错误。我用 Python/Tensorflow 开发了一个 SLP 训练模型，并使用“C”（不使用 TFLite）在 micro 上实现了 SLP 训练模型。该模型分析了来自加速度计的 48 个特征并使用 Sigmoid。
问题：如果模型是使用规范化数据（tf.keras.utils.normalize()）训练/验证的，那么在将实时数据输入到 micro 上的训练模型之前，是否也必须对实时数据进行规范化？
使用归一化数据和非归一化数据时，模型训练产生的系数权重不同是可以理解的，但在 micro 上运行 SLP 的 True/False 结果看起来是一样的。如果数据规范化应该在微观上实现，为什么？如果有必要，是否可以将 SLP 权重归一化？