tensorflow中tf.random_normal和tf.truncated_normal的区别

ゝ一纸荒年。 2022-06-01 07:27 166阅读 0赞

**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)

从截断的正态分布中输出随机值。  
生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

在正态分布的曲线中，横轴区间（μ-σ，μ+σ）内的面积为68.268949%。  
横轴区间（μ-2σ，μ+2σ）内的面积为95.449974%。  
横轴区间（μ-3σ，μ+3σ）内的面积为99.730020%。  
X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ，μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。  
在tf.truncated\_normal中如果x的取值在区间（μ-2σ，μ+2σ）之外则重新进行选择。这样保证了生成的值都在均值附近。

**参数:**  
shape: 一维的张量，也是输出的张量。  
mean: 正态分布的均值。  
stddev: 正态分布的标准差。  
dtype: 输出的类型。  
seed: 一个整数，当设置之后，每次生成的随机数都一样。  
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)

从正态分布中输出随机值。  
参数:

shape: 一维的张量，也是输出的张量。  
mean: 正态分布的均值。  
stddev: 正态分布的标准差。  
dtype: 输出的类型。  
seed: 一个整数，当设置之后，每次生成的随机数都一样。  
name: 操作的名字。

**代码**  
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))

**输出：**  
\[\[-0.81131822 1.48459876\]  
\[ 0.06532937 -2.44270396\]\]  
\[\[-0.85811085 -0.19662298\]  
\[ 0.13895047 -1.22127688\]\]