【TensorFlow】tf.truncated_normal与tf.random_normal区别

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 
函数的主要功能是实现从正态分布中输出随机值 
参数的意义： 
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，如果想每次都生成不一样，可以设置为None。 
name: 操作名

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 
shape  一个一维整数张量或Python数组。代表张量的形状。    
mean=0.0  数据类型为dtype的张量值或Python值。是正态分布的均值。    
stddev=1.0  数据类型为dtype的张量值或Python值。是正态分布的标准差    
dtype=tf.float32  输出的数据类型。    
seed=None  一个Python整数。是随机种子。    
name=None  操作名(可选)
这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正太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。

作为tensorflow里的正态分布产生函数，这两个函数的输入参数几乎完全一致，
而其主要的区别在于，tf.truncated_normal的输出如字面意思是截断的，而截断的标准是2倍的stddev。

举例，当输入参数mean = 0 ， stddev =1时，
使用tf.truncated_normal的输出是不可能出现[-2,2]以外的点的，
而如果shape够大的话，tf.random_normal却会产生2.2或者2.4之类的输出。