批正则化（batch normalization; BN），理学-统计学-大数据统计分析-深度神经网络-卷积神经网络-批正则化，在人工神经网络中，通过标准化每层之间输入信号的分布来加快收敛速度，提高模型准确率与稳定性的一种算法。词源批正则化是谷歌的研究员C.塞盖迪（Christian Szegedy）和S.约费（Sergey Ioffe）在2015年所发表的论文中提出的算法，用于在人工神经网络中标准化每层之间的输入和输出，从而达到加快收敛速度、提高模型准确率与稳定性的目的。训练深层神经网络是一件很复杂的事，事实上，随着前层参数的变化，层与层之间的输入信号会在训练的过程中发生改变，这种微小的改变会随着层数的加深被放大，这一现象被称为内部协变量偏移（internal covariate shift; ICS）。为了避免出现这种情况，往往会谨慎地设置学习率以及初始化权重，同时由于后面的层总要适应前一层已经发生变化的数据，会导致训练速度下降。在批正则化出现之前，可以解决内部协变量偏移的方法是白化，但是由于白化的计算量巨大且不一定处处可微，所以使用并不广泛。