一、随机数生成函数
-
tf.truncated_normal(shape, mean, stddev)
shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布（严格的说是高斯分布），均值和标准差自己设定。
这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。
和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。 -
tf.random_normal(shape, mean, stddev,seed) ,和上面的tf.truncated_normal区别是：
tf.truncated_normal的输出如字面意思是截断的，而截断的标准是2倍的stddev。
举例，当输入参数mean = 0 ， stddev =1时，
使用tf.truncated_normal的输出是不可能出现[-2,2]以外的点的，
而如果shape够大的话，tf.random_normal却会产生2.2或者2.4之类的输出。
注：将seed设置成相同的值，会导致几次随机产生的值是相同的 -
tf.random_uniform():平均分布；需要指定最大值，最小值，取值类型
-
tf.random_gamma():gamma分布
需要指定形状参数alpha，尺度参数beta，取值类型需要指定形状参数alpha，尺度参数beta，取值类型
二、常数生成函数
相比于随机数生成函数，常数生成函数的参数要简单很多，而且容易记忆（不过在随机数生成函数里面，一般用的比较多的也就是正态分布，也只需要记忆均值和方差即可，而且一般初始化的时候都希望均值为0）
常数生成函数参数一般为2个，shape和类型
| 函数名称 | 功能 | 样例 |
|---|---|---|
| tf.zeros | 产生全0数组 | tf.zeros([2,3],int32)–>[[0,0,0],[0,0,0]] |
| tf.ones | 产生全1数组 | tf.ones([2,3],int32)–>[[1,1,1],[1,1,1]] |
| tf.fill | 产生给定常数的数组 | tf.zeros([2,3],9)–>[[9,9,9],[9,9,9]] |
| tf.constant | 产生一个给定值的常量 | tf.constant([1,2,3])–>[1,2,3] |
三、其他
虽然在变量定义时给出了变量初始化的方法，但这个方法并没有被真正运行，此时保留在tensor中的并没有数字，而只是保留了shape，type，name这三个关键元素，要运行初始化，tensorflow提供 了一个函数：
tf.global_variables_initializer()
虽然非常长，但是根据字面意思还是能记忆的。
如下是一个完整的初始化方式：（假设是一个三层网络）
import tensorflow as tf
w1 = tf.Variables(tf.random_normal([2,3]))
w2 = tf.Variables(tf.random_normal([3,1]))
x = tf.constant([10,20])
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
with tf.Session() as sess:
init_op = tf.global_variables_initialized()
sess.run(y) #输出y值