Tensorflow 中 tf.truncated_normal 和 tf.random_normal

一、tf.truncated_normal 和 tf.random_normal

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

shape: 张量维度
mean: 正态分布的均值
stddev: 正态分布的标准差
dtype: 输出的类型
seed: 一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名字

这个函数产生正态分布，均值和标准差自己设定。
这是一个截断的产生正态分布的函数，就是说产生正态分布的值如果与均值的差值大于两倍的标准差，那就重新生成。
和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;
 
c = tf.truncated_normal(shape=[10,10], mean=0, stddev=1)
 
with tf.Session() as sess:
	print sess.run(c)

二、tf.random_normal

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

shape: 张量维度
mean: 正态分布的均值
stddev: 正态分布的标准差
dtype: 输出的类型
seed: 一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名字

三、两者的区别

tf.truncated_normal与tf.random_normal的作用都是从给定均值和方差的正态分布中输出变量。
两者的区别在于tf.truncated_normal 截取的是两个标准差以内的部分，换句话说就是截取随机变量更接近于均值