在TensorFlow中，用于初始化变量的正态分布初始化函数有以下几种：
1. tf.random.normal：这是一种从正态分布（高斯分布）中随机采样的初始化方法。你可以指定均值和标准差来调整分布的参数。例如：
initial_values = tf.random.normal(shape=(3, 3), mean=0.0, stddev=1.0)这将创建一个3x3的张量，其中的元素是从均值为0，标准差为1的正态分布中随机采样得到的。
2. tf.truncated_normal：这是截断正态分布初始化方法，与上面的方法类似，但会剔除那些超出指定标准差的值，使得分布更集中。例如：
initial_values = tf.truncated_normal(shape=(3, 3), mean=0.0, stddev=1.0)这也会创建一个3x3的张量，其中元素来自均值为0，标准差为1的截断正态分布。
3. tf.keras.initializers.RandomNormal：这是Keras中的初始化方法，在TensorFlow 2.x中也可以使用。它与`tf.random.normal`类似，允许你设置均值和标准差。
initializer = tf.keras.initializers.RandomNormal(mean=0.0, stddev=1.0)
initial_values = initializer(shape=(3, 3))这里首先创建了一个`RandomNormal`初始化器，然后使用它来初始化一个3x3的张量。
这些初始化方法允许你在神经网络中的各种层和变量上使用正态分布初始化，以便在训练期间学习适当的权重和偏置。你可以根据模型的需求选择适当的初始化方法和参数。