批量归一化和层归一化通过规范化激活来提高训练稳定性，减少对初始化的敏感性。批量归一化对每个训练小批量进行规范化，确保后续层输入的稳定分布；层归一化则对单个样本的特征进行规范化，适用于小批量或可变批量的情况。两者均包含可学习参数，以保持模型的表示能力。

批量归一化是一种深度学习技术，旨在稳定训练过程并加速收敛。通过对神经网络各层输入进行归一化，解决内部协变量偏移问题，减少梯度消失现象。该方法通常应用于隐藏层，提高模型鲁棒性并减少过拟合。在Keras中实现批量归一化非常简单，只需在层定义和激活函数之间添加BatchNormalization()。