tf.truncated_normal与tf.random.normal

在tensorflow的官网中，该API有介绍：[https://tensorflow.google.cn/api_docs/python/tf/random/truncated_normal]
简单过一遍：
调用的两种方式：
1、tf.random.truncated_normal
2、tf.truncated_normal
对于该函数中的参数说明：

tf.random.truncated_normal(
    shape,			#	定义张量的输出形状，维数大于1，不是标量
    mean=0.0,		#	正态分布均值μ
    stddev=1.0,		#	正态分布标准差σ
    dtype=tf.float32,	#	张量中元素数量类型
    seed=None,		#	随机种子值
    name=None		#	运算名称
)

这里补充下概率分布的知识：其中μ为均值，σ为标准差。
μ决定了正态分布的位置，与μ越近，被取到的概率就越大，反之越小。
σ描述的是正态分布的离散程度。σ越大，数据分布分散曲线扁平；σ越小，数据分布集中曲线陡峭。

对于截断的概念：就是说在生生随机参数的时候，同时也约束了均值与标准差之间的关系，这个随机参数算是tf.random.normal（tf.random_normal）的一个特例。
截断的说明：输出的随机数也满足正态分布的指定均值和标准差，而且均值相差不会超过2个标准差。
也就是说：在标准正态分布的随机数中，在两侧概率较小的数（小于μ-2σ 和大于μ+2σ）不会再生成的随机数中出现，这些值会重新在范围内找随机产生。

这个截断正态分布避开了小概率数据的产生，也算是对随机的异常奇异点的排除，保证数据在一个大致的范围内。