tf.random.truncated_normal和tf.random.normal区别

1、首先是tf.truncated_normal函数

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 

shape是张量维度，mean是正态分布是均值，stddev是正态分布的标准差；

在正态分布的曲线中，横轴区间（μ-σ，μ+σ）内的面积为68.268949%。
横轴区间（μ-2σ，μ+2σ）内的面积为95.449974%。
横轴区间（μ-3σ，μ+3σ）内的面积为99.730020%。
X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ，μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。

它是从截断的正态分布中输出随机值，虽然同样是输出正态分布，但是它生成的值是在距离均值两个标准差范围之内的，也就是说，在tf.truncated_normal中如果x的取值在区间（μ-2σ，μ+2σ）之外则重新进行选择。这样保证了生成的值都在均值附近。（就是tf.truncated_normal要求一定在（μ-2σ，μ+2σ）之内的）

2、tf.random_normal

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

参数设置和上一个函数是一样的；而tf.random_normal是没有要求一定在（μ-2σ，μ+2σ）之内的

栗子如下：

tf.random.truncated_normal([1,20],mean=0,stddev=1)
tf.random.normal([1,20],mean=0,stddev=1)

输出：

<tf.Tensor: id=364, shape=(1, 20), dtype=float32, numpy=
array([[ 0.74720275, -1.1767515 , 0.09829349, 1.2309431 , -0.18770336,
-0.19928017, 0.65101445, -1.9098037 , -0.65658724, 1.1121495 ,
0.24020088, 0.28579718, 0.2422212 , 1.2854978 , 0.06769391,
0.06866605, -0.40443522, -0.7642372 , -0.14883408, 1.7334417 ]],
dtype=float32)>

“”-------------------------------------------------------------------------------------------------“”

<tf.Tensor: id=334, shape=(1, 20), dtype=float32, numpy=
array([[-0.05804796, 0.7271128 , -0.61302084, 2.581096 , 0.23641904,
1.1948391 , 0.32050255, -1.4485282 , -0.42738464, -0.49595687,
-0.626704 , 0.2393944 , 0.05834303, 0.56142724, 2.1754766 ,
0.2616568 , -0.19354585, -1.3995165 , -0.88972414, -1.0796475 ]],
dtype=float32)>

可见tf.random.normal里面有2个数是在（-2,2）范围以外的，而tf.random.truncated_normal则全在（-2,2）范围内。

超级参考：https://www.cnblogs.com/yqpy/p/11040245.html
参考：https://blog.csdn.net/fireflychh/article/details/73692183