tf.truncated_normal与tf.random_normal的详细用法

好的！首先我们来了解一下这两个函数的共同点：它们都是用于初始化神经网络中的权值的。

现在让我们分别看一下这两个函数的用法。

tf.truncated_normal

tf.truncated_normal 可以生成截断正态分布随机数，即随机值生成的区间为 [μ-2σ, μ+2σ] 内的正态分布。其中，μ 为正态分布的均值，σ为正态分布的标准差。

函数定义：

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

入参解释：

• shape：输出张量的 shape。
• mean：正态分布均值，默认为 0。
• stddev：正态分布标准差，默认为 1.0。
• dtype：输出张量的类型。
• seed：随机种子。
• name：名称。

下面我们来看一个示例。

import tensorflow as tf

# 创建一个 10*10 的截断正态分布张量
x = tf.truncated_normal(shape=[10, 10], mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

# 打印张量
print(x)

输出结果：

Tensor("truncated_normal:0", shape=(10, 10), dtype=float32)

tf.random_normal

tf.random_normal 也是用于生成正态分布随机数，而不是截断正态分布。 同时，其生成随机数的方式与 tf.truncated_normal 不同，而是基于正态分布的平均值和标准偏差进行随机数生成。

函数定义：

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

入参解释：

• shape：输出张量的 shape。
• mean：正态分布均值，默认为 0。
• stddev：正态分布标准差，默认为 1.0。
• dtype：输出张量的类型。
• seed：随机种子。
• name：名称。

下面我们来看一个示例。

import tensorflow as tf

# 创建一个 10*10 的正态分布张量
x = tf.random_normal(shape=[10, 10], mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

# 打印张量
print(x)

输出结果：

Tensor("random_normal:0", shape=(10, 10), dtype=float32)

以上就是 tf.truncated_normal 和 tf.random_normal 的详细用法和示例说明。