本文介紹了tf.truncated_normal與tf.random_normal的詳細用法，分享給大家，具體如下：

tf.truncated_normal

代碼如下:
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。

import tensorflow as tf; import numpy as np; import matplotlib.pyplot as plt;  c = tf.truncated_normal(shape=[10,10], mean=0, stddev=1)  with tf.Session() as sess:   print sess.run(c) 

輸出：

[[ 1.95758033 -0.68666345 -1.83860338 0.78213859 -1.08119416 -1.44530308
0.38035342 0.57904619 -0.57145643 -1.22899497]
[-0.75853795 0.48202974 1.03464043 1.19210851 -0.15739718 0.8506189
1.18259966 -0.99061841 -0.51968449 1.38996458]
[ 1.05636907 -0.02668529 0.64182931 0.4110294 -0.4978295 -0.64912242
1.27779591 -0.01533993 0.47417602 -1.28639436]
[-1.65927458 -0.364887 -0.45535028 0.078814 -0.30295736 1.91779387
-0.66928798 -0.14847915 0.91875714 0.61889237]
[-0.01308221 -0.38468206 1.34700036 0.64531708 1.15899456 1.09932268
1.22457981 -1.1610316 0.59036094 -1.97302651]
[-0.24886213 0.82857937 0.09046989 0.39251322 0.21155456 -0.27749416
0.18883201 0.08812679 -0.32917103 0.20547724]
[ 0.05388507 0.45474565 0.23398806 1.32670367 -0.01957406 0.52013856
-1.13907862 -1.71957874 0.75772947 -1.01719368]
[ 0.27155915 0.05900437 0.81448066 -0.37997526 -0.62020499 -0.88820189
1.53407145 -0.01600445 -0.4236775 -1.68852305]
[ 0.78942037 -1.32458341 -0.91667277 -0.00963761 0.76824385 -0.5405798
-0.73307443 -1.19854116 -0.66179073 0.26329204]
[ 0.59473759 -0.37507254 -1.21623695 -1.30528259 1.18013096 -1.32077384
-0.59241474 -0.28063133 0.12341146 0.48480138]]

tf.random_normal