一、隨機數生成函式

1. tf.truncated_normal(shape, mean, stddev)
   shape表示生成張量的維度，mean是均值，stddev是標準差。這個函式產生正太分佈（嚴格的說是高斯分佈），均值和標準差自己設定。
   這是一個截斷的產生正太分佈的函式，就是說產生正太分佈的值如果與均值的差值大於兩倍的標準差，那就重新生成。
   和一般的正太分佈的產生隨機資料比起來，這個函式產生的隨機數與均值的差距不會超過兩倍的標準差，但是一般的別的函式是可能的。

2. tf.random_normal(shape, mean, stddev,seed) ,和上面的tf.truncated_normal區別是：
   tf.truncated_normal的輸出如字面意思是截斷的，而截斷的標準是2倍的stddev。
   舉例，當輸入引數mean = 0 ， stddev =1時，
   使用tf.truncated_normal的輸出是不可能出現[-2,2]以外的點的，
   而如果shape夠大的話，tf.random_normal卻會產生2.2或者2.4之類的輸出。
   注：將seed設定成相同的值，會導致幾次隨機產生的值是相同的

3. tf.random_uniform():平均分佈；需要指定最大值，最小值，取值型別

4. tf.random_gamma():gamma分佈
   需要指定形狀引數alpha，尺度引數beta，取值型別需要指定形狀引數alpha，尺度引數beta，取值型別

二、常數生成函式

相比於隨機數生成函式，常數生成函式的引數要簡單很多，而且容易記憶（不過在隨機數生成函式裡面，一般用的比較多的也就是正態分佈，也只需要記憶均值和方差即可，而且一般初始化的時候都希望均值為0）
常數生成函式引數一般為2個，shape和型別

三、其他

雖然在變數定義時給出了變數初始化的方法，但這個方法並沒有被真正執行，此時保留在tensor中的並沒有數字，而只是保留了shape，type，name這三個關鍵元素，要執行初始化，tensorflow提供 了一個函式：
tf.global_variables_initializer()
雖然非常長，但是根據字面意思還是能記憶的。
如下是一個完整的初始化方式：（假設是一個三層網路）

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)  #輸出y值