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

在 TensorFlow 中使用批量标准化和 dropout（特别是使用 contrib.layers）时，我需要担心排序吗？

如果我使用
dropout，然后立即进行批量标准化，这似乎可能会出现问题。例如，如果批量归一化训练到较大规模的训练输出，但同样的转移应用于较小的（由于有更多输出的补偿）规模数字而在测试期间没有丢失，那么班次可能已关闭。TensorFlow
批量归一化层会自动对此进行补偿吗？还是由于某种原因我失踪了？

另外，将这两者一起使用时是否还有其他需要注意的陷阱？例如，假设我在上述方面以正确的顺序使用它们（假设 顺序 正确），在多个连续层上同时使用批量标准化和
dropout 会不会有问题？我没有立即发现问题，但我可能会遗漏一些东西。

非常感谢！

更新：

一项实验测试 似乎 表明排序 确实 很重要。我只使用批处理规范和 dropout 反向运行了两次相同的网络。当 dropout
早于批范数时，验证损失似乎随着训练损失的下降而上升。在另一种情况下，它们都在下降。但在我的情况下，动作很慢，所以经过更多的训练后情况可能会发生变化，这只是一次测试。仍将不胜感激更明确和明智的答案。