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

批次归一化（Batch Normalization）的主要作用在于加速模型训练和缓解梯度消失/爆炸问题。其核心思想是通过对每一批数据进行归一化处理，稳定网络各层的输入分布，从而减少内部协变量偏移（Internal Covariate Shift），使训练过程更高效、更稳定。此外，它还能降低对权重初始化的敏感性，允许使用更大的学习率，进一步加快收敛速度。

选项分析

A 提高模型的准确率

批次归一化本身并非直接提升模型准确率，但通过加速训练和稳定梯度，可能间接帮助模型达到更好的性能。然而，其主要作用并非直接优化准确率。

B 减少训练时间

虽然批次归一化能加快训练速度（例如允许更高学习率），但“减少训练时间”是结果而非直接作用，未全面反映其核心功能。

C 加速模型训练并缓解梯度消失/爆炸问题

正确选项。批次归一化通过稳定输入分布，加速训练过程，同时缓解梯度消失/爆炸问题，这是其核心设计目标。

D 降低模型的复杂度

批次归一化不会减少模型参数或复杂度，反而可能通过训练更深网络间接影响复杂度，但并非其主要作用。