在深度学习中，什么是“批次归一化”（Batch Normalization）的主要作用？A. 减少训练时间B. 加速模型训练并缓解梯度消失/爆炸问题C. 提高模型的准确率D. 降低模型的复杂度

批次归一化（Batch Normalization）是深度学习中常用的技术，其核心作用在于加速模型训练和缓解梯度消失/爆炸问题。通过在训练过程中对每一批数据进行归一化处理，使得网络层的输入分布更稳定，从而减少对初始权重的敏感性，加快收敛速度。同时，稳定激活值的分布能有效缓解反向传播中的梯度不稳定问题，提升训练过程的稳定性。

选项分析

选项A：减少训练时间

批次归一化可能间接加快训练（如允许使用更大学习率），但减少训练时间并非其直接目标，而是通过其他机制间接实现。

选项B：加速模型训练并缓解梯度消失/爆炸问题

• 加速训练：归一化使网络对学习率调整更不敏感，允许使用更高学习率，从而加快收敛。
• 缓解梯度问题：稳定激活值分布，减少梯度在反向传播中的不稳定性，是批次归一化的核心作用。

选项C：提高模型的准确率

批次归一化可能通过正则化效果（如输入扰动）间接提升泛化能力，但提高准确率并非其主要目的。

选项D：降低模型的复杂度

批次归一化不直接影响模型复杂度（如参数数量或网络结构），因此与选项无关。