批量归一化是一种在神经网络训练过程中对每个小批次（mini-batch）内的层输入进行标准化的技术，通过对每个特征维度计算均值和方差，并将输入激活归一化为零均值和单位方差，再应用可学习的缩放（γ）与偏移（β）参数，实现对网络内部协变量偏移（internal covariate shift）的抑制，从而提升训练稳定性并加快收敛速度 维基百科. 归一化操作使优化过程能够使用更大的学习率，降低梯度消失或爆炸的风险，同时在一定程度上起到正则化效果，减少对 Dropout 等额外正则化手段的依赖 MachineLearningMastery.com. 但批量归一化在小批量训练或循环网络中效果有限，陆续衍生出层归一化（Layer Normalization）、组归一化（Group Normalization）等针对性更强的替代方案。