根据TF层指南，dropout层应放在最后一个dense层之后：
dense = tf.layers.dense(input, units=1024, activation=tf.nn.relu)dropout = tf.layers.dropout(dense, rate=params['dropout_rate'], training=mode == tf.estimator.ModeKeys.TRAIN)logits = tf.layers.dense(dropout, units=params['output_classes'])难道不是应该放在dense层之前，这样它就可以在dropout效果下学习从输入到输出的映射吗？
dropout = tf.layers.dropout(prev_layer, rate=params['dropout_rate'], training=mode == dense = tf.layers.dense(dropout, units=1024, activation=tf.nn.relu)logits = tf.layers.dense(dense, units=params['output_classes'])回答：
这并不是一个非此即彼的情况。通俗地说，常见的观点是dropout应应用在dense层之后，而不常用在卷积或池化层之后，因此初看起来，这取决于你的第二个代码片段中的prev_layer具体是什么。
然而，这个“设计原则”如今经常被打破（参见Reddit 和 CrossValidated 中的一些有趣的相关讨论）；即使在Keras包含的MNIST CNN示例中，我们也可以看到dropout既应用在最大池化层之后，也应用在dense层之后：
model = Sequential()model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25)) # <-- dropout heremodel.add(Flatten())model.add(Dense(128, activation='relu'))model.add(Dropout(0.5)) # <-- and heremodel.add(Dense(num_classes, activation='softmax'))因此，你的两个代码片段都是有效的，我们很容易想象还有第三个有效选项：
dropout = tf.layers.dropout(prev_layer, [...])dense = tf.layers.dense(dropout, units=1024, activation=tf.nn.relu)dropout2 = tf.layers.dropout(dense, [...])logits = tf.layers.dense(dropout2, units=params['output_classes'])作为一般建议：像你所链接的教程只是试图让你熟悉工具和（非常）一般的原则，因此不建议过度解读所展示的解决方案…
