1、tf.truncated_normal使用方法
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 從截斷的正態分布中輸出隨機值。 生成的值服從具有指定平均值和標准偏差的正態分布，如果生成的值大於平均值2個標准偏差的值則丟棄重新選擇。 在正態分布的曲線中，橫軸區間（μ-σ，μ+σ）內的面積為68.268949%。 橫軸區間（μ-2σ，μ+2σ）內的面積為95.449974%。 橫軸區間（μ-3σ，μ+3σ）內的面積為99.730020%。 X落在（μ-3σ，μ+3σ）以外的概率小於千分之三，在實際問題中常認為相應的事件是不會發生的，基本上可以把區間（μ-3σ，μ+3σ）看作是隨機變量X實際可能的取值區間，這稱之為正態分布的“3σ”原則。 在tf.truncated_normal中如果x的取值在區間（μ-2σ，μ+2σ）之外則重新進行選擇。這樣保證了生成的值都在均值附近。 參數: shape: 一維的張量，也是輸出的張量。 mean: 正態分布的均值。 stddev: 正態分布的標准差。 dtype: 輸出的類型。 seed: 一個整數，當設置之后，每次生成的隨機數都一樣。 name: 操作的名字
2、tf.random_normal使用方法
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
從正態分布中輸出隨機值。 參數: shape: 一維的張量，也是輸出的張量。 mean: 正態分布的均值。 stddev: 正態分布的標准差。 dtype: 輸出的類型。 seed: 一個整數，當設置之后，每次生成的隨機數都一樣。 name: 操作的名字。 代碼 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)) 輸出： [[-0.81131822 1.48459876] [ 0.06532937 -2.44270396]] [[-0.85811085 -0.19662298] [ 0.13895047 -1.22127688]]
從截斷的正態分布中輸出隨機值。 生成的值服從具有指定平均值和標准偏差的正態分布，如果生成的值大於平均值2個標准偏差的值則丟棄重新選擇。
在正態分布的曲線中，橫軸區間（μ-σ，μ+σ）內的面積為68.268949%。 橫軸區間（μ-2σ，μ+2σ）內的面積為95.449974%。 橫軸區間（μ-3σ，μ+3σ）內的面積為99.730020%。 X落在（μ-3σ，μ+3σ）以外的概率小於千分之三，在實際問題中常認為相應的事件是不會發生的，基本上可以把區間（μ-3σ，μ+3σ）看作是隨機變量X實際可能的取值區間，這稱之為正態分布的“3σ”原則。 在tf.truncated_normal中如果x的取值在區間（μ-2σ，μ+2σ）之外則重新進行選擇。這樣保證了生成的值都在均值附近。