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準偏差的正態分布，如果生成的值大于平均值2個標準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）以外的概率小于千分之三，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: 正態分布的標準差。
??? 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: 正態分布的標準差。
??? 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]]

http://blog.csdn.net/fireflychh/article/details/73692183

總結

以上是生活随笔為你收集整理的tensorflow中tf.random_normal和tf.truncated_normal的区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。