4462.批量归一化仅适用于深度学习模型的隐藏层。

解析：题目中的陈述“批量归一化仅适用于深度学习模型的隐藏层”是错误的，因此正确答案为 B：错误。 理由如下： 批量归一化（Batch Normalization，简称 BN）是一种在深度神经网络中广泛使用的技术，其主要目的是通过规范化每一层的输入来缓解内部协变量偏移（Internal Covariate Shift）问题，从而加速模型训练、提升模型稳定性，并在一定程度上具有正则化效果。 虽然批量归一化最常见的是应用于隐藏层的激活输入（即在全连接层或卷积层之后、激活函数之前进行归一化），但它并不“仅”限于隐藏层。实际上，在实际应用中，批量归一化也可以应用于以下位置： 1. 输入层之后：可以在网络的输入数据进入第一个隐藏层之前进行批量归一化处理。尽管输入数据通常会预先标准化，但在网络的第一层后立即使用批量归一化也是一种常见做法。 2. 卷积层中：在卷积神经网络（CNN）中，批量归一化常被应用于每个卷积层的输出上，这属于隐藏层的一部分，但说明其应用范围广泛。 3. 某些结构中甚至可考虑在输出层前使用，尽管较少见，但技术上可行。 此外，后续研究还发展出适用于其他结构的归一化方法，如层归一化（Layer Normalization）、实例归一化（Instance Normalization）等，也从侧面反映出归一化技术的应用具有灵活性，而批量归一化本身的设计并不局限于特定层级。 核心知识点： - 批量归一化的定义：对每一批数据在 mini-batch 维度上计算均值和方差，对每一层的输入进行标准化，公式为： \[ \hat{x}_i = \frac{x_i - \mu_B}{\sqrt{\sigma_B^2 + \epsilon}}, \quad y_i = \gamma \hat{x}_i + \beta \] 其中 \(\mu_B\) 和 \(\sigma_B^2\) 是 mini-batch 的均值和方差，\(\gamma\) 和 \(\beta\) 是可学习参数。 - 应用位置：通常插入在网络层（如全连接层、卷积层）之后，激活函数之前，可用于多个层次，不限于某类隐藏层。 - 优点：加快收敛速度、允许更高的学习率、减少对初始化的敏感性、具有一定的正则化作用。 综上所述，批量归一化并非仅适用于隐藏层，尽管其主要应用场景在隐藏层，但理论上和技术上均可扩展至其他层。因此原题说法过于绝对，判断为错误。 答案：B（错误）