简而言之，是的。

• Batch Normalization Batch Normalization layer可以用在两个卷积层之间，或者两个dense层之间，甚至一个卷积层和一个dense层之间。重要的问题是Does it help?，建议使用 BN 层，因为它通常显示出改进，但您将获得的改进量更多地取决于问题。
• Dropout：一般来说，卷积层不容易过拟合，但这并不意味着你不应该使用 dropout。你可以，但这又取决于问题。例如，我试图建立一个网络，我Dropout在 conv 块之间使用它，我的模型变得更好。最好在池化层之后应用 dropout。

到目前为止，这部分还没有回答：“应该在pooling之后使用还是在pooling之前和应用激活之后使用？”

一个团队做了一些有趣的实验，发现至少对于残差网络，批量规范和激活应该在权重层之前（所以它是 BN --> ReLU --> 权重）。他们发现汇集位置可能会有所不同而不会造成损害。如果您尝试非常仔细地复制那篇论文，请注意关于剩余堆栈开头和结尾的异常放置段落。

出版：他等人。- 2016 - 深度残差网络中的身份映射

Dropout 和 Batch Normalization 都可以与卷积层一起使用；但它建议使用 BN 而不是 Dropout（请参阅下面的链接）。

在 MaxPooling2D 之前，有几个教程在 Conv2D 和 Activation 之间应用 BatchNormalization

像这样：

model.add(Conv2D(64, 3, padding = "same"))
model.add(BatchNormalization())
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))

BN 可能不会加速收敛；但它确实（平均而言）提高了泛化能力（即测试准确性）。

看到这个和这个。

这是 TMI版本。