TensorFlow学习（四）

变量初始化函数

初始化函数	功能	主要参数
tf.constant_initializer	将变量初始化为给定常量	常量的取值（tf.constant_initializer(value)）
tf.random_normal_initializer	将变量初始化为满足正态分布的随机值	正态分布的均值和标准差 （tf.random_normal_initializer（mean=0.0, stddev=1.0, seed=None, dtype=tf.float32））
tf.truncated_normal_initializer	将变量初始化为满足正态分布的随机值，但如果随机出的值偏离平均值超过2个标准差，那么这个数将会被重新随机	正态分布的均值和标准差 和  tf.random_normal_initializer 相同
tf.random_uniform_initializer	将变量初始化为满足平均分布的随机值	最大、最小值，__init__(self, minval=0, maxval=None, seed=None, dtype=tf.float32)
tf.uniform_unit_scaling_initializer	将变量初始化为满足平均分布但不影响输出数量级的随机值	factor（产生随机值时乘以的系数）__init__(self, factor=1.0, seed=None, dtype=tf.float32)
tf.zeros_initializer	将变量设置为全0	变量维度
tf.ones_initializer	将变量设置为全1	变量维度

 

 

 

 

 

 

 

 

 

 

 

 

 

 

tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。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。

 

tf.truncated_normal_initializer的意思是：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。

ARGS：
mean：一个python标量或一个标量张量。要生成的随机值的均值。
stddev：一个python标量或一个标量张量。要生成的随机值的标准偏差。
seed：一个Python整数。用于创建随机种子。查看 tf.set_random_seed 行为。
dtype：数据类型。只支持浮点类型。