轉載自http://blog.csdn.net/u013713117/article/details/65446361

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

• 1

從截斷的正態分佈中輸出隨機值。 
生成的值服從具有指定平均值和標準偏差的正態分佈，如果生成的值大於平均值2個標準偏差的值則丟棄重新選擇。

在正態分佈的曲線中，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）看作是隨機變數X實際可能的取值區間，這稱之為正態分佈的“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。

引數:

• shape: 一維的張量，也是輸出的張量。
• mean: 正態分佈的均值。
• stddev: 正態分佈的標準差。
• dtype: 輸出的型別。
• seed: 一個整數，當設定之後，每次生成的隨機數都一樣。
• name: 操作的名字。

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

• 1

從正態分佈中輸出隨機值。 
引數:

• shape: 一維的張量，也是輸出的張量。
• mean: 正態分佈的均值。
• stddev: 正態分佈的標準差。
• dtype: 輸出的型別。
• seed: 一個整數，當設定之後，每次生成的隨機數都一樣。
• name: 操作的名字。

程式碼

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]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

指定seed之後，a的值不變，b的值也不變。