tf.truncated_normal与tf.random_normal

• tf.Variable（initializer， name）：initializer是初始化参数
• 代码

1. import tensorflow as tf;    
2. import numpy as np;    
3. import matplotlib.pyplot as plt;    
4.     
5. a1 = tf.Variable(tf.random_normal(shape=[2,3], mean=0, stddev=1), name='a1')  
6. a2 = tf.Variable(tf.constant(1), name='a2')  
7. a3 = tf.Variable(tf.ones(shape=[2,3]), name='a3')  
8.   
9. with tf.Session() as sess:  
10.     sess.run(tf.initialize_all_variables())  
11.     print sess.run(a1)  
12.     print sess.run(a2)  
13.     print sess.run(a3)  

[[ 0.76599932  0.99722123 -0.89361787]
 [ 0.19991693 -0.16539733  2.16605783]]
1
[[ 1.  1.  1.]
 [ 1.  1.  1.]]

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。

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

从正态分布中输出随机值。 
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。