tf.truncated_normal(…)、tf.random_uniform()、tf.random_normal()区别

1.tf.truncated_normal(…)

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

• 从截断的正态分布中输出随机值。

• 生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

• 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。

• 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。

参数:

• shape: 一维的张量，也是输出的张量。
• 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。

2.tf.random_normal(…)

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

从正态分布（高斯分布）中输出随机值。

参数:

• shape: 一维的张量，也是输出的张量。
• 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。

代码

指定seed之后，a的值不变，b的值也不变
a = tf.Variable(tf.random_normal([2,2],seed=1))
b = tf.Variable(tf.truncated_normal([2,2],seed=2))
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(a))
    print(sess.run(b))

输出：
[[-0.81131822  1.48459876]
 [ 0.06532937 -2.44270396]]
[[-0.85811085 -0.19662298]
 [ 0.13895047 -1.22127688]]

3.tf.random_uniform(…)

• tf.random_uniform([row_dim,col_dim],minval=0,maxval=1)
• 创建服从均匀分布的随机数，若连续型随机变量X具有概率密度
• $f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a<x<b\\ 0& 其它\end{array}$
• 则称X在区间（a，b）上服从均匀分布。记为X~U(a，b）。
•