这取决于输入模式的类型，但要做出决定，我建议不要。有不同的原因。首先，您正在损坏输入信号。我不知道你是否熟悉信息论，但信噪比会太小，如果你这样做，你会得到一个远离真实信号的信号。

此外，在卷积层中添加 dropout 也不好，因为它们是特征提取器，并且它们是分类问题的重要特征。如果您错过了它们，则意味着您丢失的信息比平时更多。考虑到您对网络的输入已经调整为比其原始形状更小的形状，例如，典型的输入形状CNNs是224 * 224，而原始形状可能在每个方向上大十倍甚至更多。

您可能已经看到，在 Lenet-5 中，作者使用了一种数据增强技术，可以改变具有不同分布的输入的颜色。关键是他们没有改变输入信号的位置。此外，由于他们没有将输入特征设置为零，因此信噪比也不是一个太小的数字。他们只是稍微改变了它们。

最后，最后一层不应采用 drop-out。因为输出大小必须具有指定的特征，所以总和为 1。由于具有大量权重，因此具有大量激活，密集层是利用 drop-out 的好点。