نقترح إعادة تشكيل LSTM يجلب فوائد التطبيع الدُفعة (batch normalization) إلى الشبكات العصبية المتكررة. بينما تقتصر الأعمال السابقة على تطبيق التطبيع الدُفعة على تحويل الإدخال إلى المخفي في RNNs، نثبت أنه من الممكن والمنفع أن يتم تطبيع الدُفعة للتحول من المخفي إلى المخفي، مما يقلل من الانحراف الذاتي الداخلي بين الخطوات الزمنية. قمنا بتقييم مقترحنا على مجموعة متنوعة من المشكلات التسلسلية مثل تصنيف التسلسل، ونمذجة اللغة، وإجابة الأسئلة. أظهرت نتائجنا التجريبية أن LSTM التي تم تطبيعها بالدُفعة لدينا تقود بشكل متسق إلى تقارب أسرع وتعميم أفضل.