出于不同的原因执行 Dropout 和 Max-pooling。

Dropout 是一种正则化技术，它只影响训练过程（在评估期间，它是不活跃的）。dropout 的目标是减少网络中不必要的特征依赖，使其更简单并提高其泛化能力（减少过度拟合）。简单来说，它有助于模型了解某些特征是“或”而不是“与”要求。

Max-pooling 不是一种正则化技术，它是模型架构的一部分，因此在评估期间也使用它。最大池化的目标是对输入表示进行下采样。结果，模型对某些翻译变得不那么敏感（提高翻译不变性）。

至于你的最后一个问题，是的。dropout 可以在池化层之后使用。

我认为我们会以这种方式更好地考虑正则化和下采样：

1. 辍学

它将下一层的一些输入值（神经元）设置为 0，这使得当前层成为稀疏层。所以它减少了这一层中每个特征的依赖。

1. 池化层

下采样直接删除了一些输入，这使得层“更小”而不是“稀疏”。差异可能很微妙，但足够清晰。

这就是为什么前者也影响评估/测试过程而后者不影响的根本原因。