最初的问题是关于TensorFlow实现的。 但是，答案是针对一般的实现。这个通用答案也是TensorFlow的正确答案。

在TensorFlow中使用批量归一化和辍学时（特别是使用contrib.layers），我需要担心订购吗？

如果我在退出后立即使用批处理规范化，则可能会出现问题。例如，如果批次归一化训练中的偏移量训练输出的比例尺数字较大，但随后将相同的偏移量应用于较小的比例尺数字（由于补偿了具有更多输出的比例尺），而在测试过程中没有丢失，则轮班可能关闭。TensorFlow批处理规范化层会自动对此进行补偿吗？还是由于某种原因我不会想念这件事吗？

另外，将两者一起使用时还有其他陷阱吗？例如，假设我使用他们以正确的顺序在问候上述（假设有 是
一个正确的顺序），可以存在与使用分批正常化和漏失在多个连续层烦恼？我没有立即看到问题，但是我可能会丢失一些东西。

非常感谢！

更新：

实验测试 似乎 表明排序 确实很
重要。我在相同的网络上运行了两次，但批次标准和退出均相反。当辍学时间在批处理标准之前时，验证损失似乎会随着培训损失的减少而上升。在另一种情况下，它们都下降了。但就我而言，运动很慢，因此在接受更多培训后情况可能会发生变化，这只是一次测试。一个更加明确和明智的答案仍然会受到赞赏。